知识点思维导图
41 个知识节点
RAG（20） - 进阶：企业级 RAG 项目拆解
读完后，你应能完成以下任务：
- 绘制“RAG（26） - 进阶：企业级 RAG 项目拆解 / 企业级 RAG 不只是“上传文档然后问””的关键对象与数据流，解释“企业级 RAG 的核心不是“模型更强”，而是把证据链、权限链、评测链补起来。”，并用源码位置、日志或 Trace 标注证据。
- 为“RAG（26） - 进阶：企业级 RAG 项目拆解 / 离线入库链路”设计正常与异常输入，验证“父子分块是企业文档里很常见的做法。”，输出首个偏差位置与回归测试结果。
- 实现“RAG（26） - 进阶：企业级 RAG 项目拆解 / 在线问答链路”的最小代码或配置，检验“用户没有权限看的 chunk，不能被召回进上下文，更不能交给模型“自觉保密”。”，输出命令、结果与 Diff，并说明不适用边界。
一、先建立全局：进阶：企业级 RAG 项目拆解 是什么？
理解“进阶：企业级 RAG 项目拆解”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。
“进阶：企业级 RAG 项目拆解”的第一个核心判断是：企业级 RAG 的核心不是“模型更强”，而是把证据链、权限链、评测链补起来。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。
| 顺序 | 章节 | 读完本节应抓住的结论 |
|---|---|---|
| 1 | 企业级 RAG 不只是“上传文档然后问” | 企业级 RAG 的核心不是“模型更强”，而是把证据链、权限链、评测链补起来。 |
| 2 | 离线入库链路 | 父子分块是企业文档里很常见的做法。 |
| 3 | 在线问答链路 | 用户没有权限看的 chunk，不能被召回进上下文，更不能交给模型“自觉保密”。 |
| 4 | 权限和溯源是企业场景的分水岭 | 企业知识库的安全边界要放在代码里，不放在 prompt 里。 |
| 5 | 指标怎么写进项目成果 | 一个成熟表达是：维护一套包含正样本和负样本的评测集， |
| 6 | 可直接复用的项目表达 | 实现企业知识库 RAG 助手，支持文档上传、chunk 切分、语义检索、基于资料回答和引用来源展示。 |
1.1 核心对象之间怎样衔接
flowchart LR
S1["企业级 RAG 不只是“上传文档然后问”"] --> S2
S2["离线入库链路"] --> S3
S3["在线问答链路"] --> S4
S4["权限和溯源是企业场景的分水岭"] --> S5
S5["指标怎么写进项目成果"]
这张图只表达本文的讲解顺序，不替代正文机制。判断“进阶：企业级 RAG 项目拆解”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。
1.2 再看失败：问题最早会出现在哪一步？
在“进阶：企业级 RAG 项目拆解”的对象和顺序已经明确后，再看可观察的失败：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。
二、企业级 RAG 项目拆解的真实应用场景
工业知识库里最麻烦的不是“资料少”，而是资料太杂。
一家公司可能同时有工业手册、SOP、维修案例、FAQ、故障码、参数表、接线图、设备图片。 资料散在网盘、Wiki、Excel、PDF 和图片里。 工程师问“E17 报警怎么处理”， 答案可能在故障码表、维修案例、设备说明书和一张接线图里各有一部分。
普通 RAG demo 往往只做了“上传文本 -> 切 chunk -> 向量检索 -> 回答”。 它能证明流程跑通， 但离企业可用还差几步：图文表证据要能追溯， 不同部门要看不同资料， 检索结果要能解释， 错误要能用指标复盘。
三、企业级 RAG 不只是“上传文档然后问”
| 能力 | demo 版 | 企业级版本 |
|---|---|---|
| 文档类型 | Markdown / TXT | PDF、Word、Excel、图片、扫描件、网页 |
| 解析 | 提取纯文本 | 保留页码、章节、表格、图片、版面信息 |
| 切分 | 固定长度 chunk | 标题/段落/表格/父子分块混合 |
| 资产管理 | 只存文本 | 原文、图片、表格截图、OCR/VLM 描述都可回溯 |
| 检索 | 向量 topK | 权限过滤 + BM25 + 向量 + RRF + rerank |
| 引用 | 文件名 | 文件、页码、章节、表格、图片定位 |
| 权限 | 无 | 租户、部门、项目、角色、密级过滤 |
| 评测 | 手动试问 | Hit Rate@K、拒答准确率、坏 case 回归 |
| 上线指标 | 能答 | 答准、可引用、可排查、成本可控 |
企业级 RAG 的核心不是“模型更强”，而是把证据链、权限链、评测链补起来。 企业愿不愿意用，往往取决于这三条链，而不是回答语气多自然。
四、离线入库链路
企业级入库链路可以拆成 7 步：
原始资料
-> 文档解析
-> 结构化清洗
-> 父子分块
-> 元数据标注
-> 文本/图表资产入库
-> 向量索引 + 关键词索引
-> 评测集抽样检查
每一步都要保留后面问答会用到的信息：
| 环节 | 要保留什么 | 为什么 |
|---|---|---|
| 文档解析 | 文件名、页码、标题、段落、表格、图片位置 | 引用和原文定位靠它 |
| 结构化清洗 | 章节层级、表头、表格行列、图片说明 | 避免表格和图文被切烂 |
| 父子分块 | 子块 id、父块 id、父块范围 | 小块召回，大块提供上下文 |
| 元数据标注 | doc_id、source、department、role、secret_level | 权限过滤和来源展示 |
| 资产入库 | 原文件、表格截图、图片、OCR/VLM 描述 | 回答结果能回跳证据 |
| 索引构建 | 向量索引、BM25 索引、实体关键词 | 同时照顾语义和精确匹配 |
父子分块是企业文档里很常见的做法。 子块可以是一句话、一条步骤、一行表格，负责精确召回； 父块可以是一节、一页、一张完整表格，负责给模型足够上下文。 这样不会因为 chunk 太小丢上下文，也不会因为 chunk 太大导致召回不准。
五、在线问答链路
在线链路通常不是“问题 -> 向量库 -> 模型”这么直：
用户问题
-> 用户身份和权限
-> Query Rewrite
-> 权限过滤后的 BM25 + 向量召回
-> RRF 融合
-> rerank 精排
-> 证据聚合
-> 基于证据生成
-> 引用原文/表格/图片
-> 记录 trace 和反馈
几个关键点：
- 权限过滤要在检索前做。用户没有权限看的 chunk，不能被召回进上下文，更不能交给模型“自觉保密”。
- BM25 和向量各有价值。故障码、合同编号、设备型号这类精确词，BM25 往往比纯向量更稳。
- rerank 排的是证据质量。它不负责把漏掉的资料找回来，只负责在候选里挑最能回答问题的片段。
- 引用来自实际证据。不要让模型自己说“来源是某某文档”，引用要从命中的 metadata 生成。
- 证据不足要拒答。最高分太低、证据互相冲突、用户无权限，都应该拒答或转人工。
六、权限和溯源是企业场景的分水岭
企业知识库的安全边界要放在代码里，不放在 prompt 里。
一条 chunk 的 metadata 至少要能支持这些过滤：
| 字段 | 例子 | 用途 |
|---|---|---|
| tenant_id | tenant_a |
多租户隔离 |
| project_id | factory_01 |
项目级知识库 |
| department | maintenance |
部门权限 |
| role | engineer |
角色权限 |
| secret_level | internal |
密级过滤 |
| source_uri | manual.pdf#page=12 |
原文定位 |
溯源也不是只显示文件名。 更好的体验是回答后能点开证据，定位到原 PDF 页码、Excel 表格、图片截图或图谱事实。 对象存储如 MinIO 可以保存原文件、切出的图片、表格截图； 向量库里保存 asset_id，回答时再把 asset_id 展示给前端。
七、指标怎么写进项目成果
简历和面试里不要只说“提升了准确率”，要说清你看哪些指标：
| 指标 | 看什么 | 怎么用 |
|---|---|---|
| Hit Rate@K | 正确资料有没有进入 topK | 判断召回质量 |
| Context Precision | 召回内容里有多少是有用证据 | 判断噪声 |
| Faithfulness | 答案是否忠于证据 | 判断幻觉 |
| 拒答准确率 | 没证据时是否拒答 | 判断安全边界 |
| P50/P90/P99 | 常规延迟和尾延迟 | 判断线上体验 |
| 坏 case 回归 | 修过的问题是否再次失败 | 防止越改越乱 |
一个成熟表达是：维护一套包含正样本和负样本的评测集， 每次改 chunk、topK、rerank 或 prompt 后跑回归。 正样本看命中和回答，负样本看拒答和权限过滤。
八、可直接复用的项目表达
普通 RAG 版：
实现企业知识库 RAG 助手，支持文档上传、chunk 切分、语义检索、基于资料回答和引用来源展示。通过资料不足拒答机制减少模型编造，并用 20 条评测问题跟踪 Hit Rate@K 和坏 case。
企业级 RAG 版：
设计企业级知识库 RAG 系统，支持 PDF/Word/Excel/图片等多格式资料解析，保留页码、章节、表格和图片元数据；采用父子分块、BM25+向量混合检索、RRF 融合和 rerank 精排提升召回质量；在检索阶段按租户、部门、角色、密级做权限过滤，回答引用可回跳原文页码、表格或图片证据；建立正负样本评测集，持续跟踪 Hit Rate@K、拒答准确率和 P90/P99 延迟。
九、工程上真正会踩的坑
- 只存向量不存原文。向量只能检索，不能展示、不能引用、不能复盘。原文和 metadata 必须一起存。
- 权限后过滤。先把无权限资料召回给模型，再让 prompt 约束“不要泄露”，这是安全事故的起点。
- 表格被切碎。表头和数据行分离后，模型看到“120ms”却不知道是哪项指标。表格要按整表或语义行保存。
- 引用对不上原文。回答用了 A chunk，却展示 B 文档。引用必须来自实际进入 prompt 的证据。
- 没有评测集。改了 chunk_size、topK、rerank 后只能靠感觉判断，最后每次优化都像重新赌博。
十、动手验证：先跑通 进阶：企业级 RAG 项目拆解，再改变一个变量
前面的章节已经建立问题、概念和机制。现在把“进阶：企业级 RAG 项目拆解”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。
10.1 基线与候选只允许一个变量不同
验证“进阶：企业级 RAG 项目拆解”时，先固定标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。
执行“进阶：企业级 RAG 项目拆解”时，动作是：依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成。原始结果不能只保留截图或汇总分数，必须同步保存：原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace，使下一次复查可以在同一输入上重放。
| 实验要素 | 本文要求 |
|---|---|
| 固定条件 | 标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份 |
| 唯一变量 | 本次候选方案与基线之间的一项明确差异 |
| 原始证据 | 原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace |
| 通过阈值 | 正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料 |
| 立即停止 | 解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论 |
10.2 执行前先排除不可比较条件
“进阶：企业级 RAG 项目拆解”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。
- 基线能够在“进阶：企业级 RAG 项目拆解”的当前环境重复运行。
- 候选只改变一个与“进阶：企业级 RAG 项目拆解”结论直接相关的条件。
- “进阶：企业级 RAG 项目拆解”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
- “进阶：企业级 RAG 项目拆解”的原始输出和失败现场不会被重试、格式化或汇总覆盖。
10.3 执行后先核对证据完整性
结果出来后先检查证据，再讨论“进阶：企业级 RAG 项目拆解”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。
| 检查项 | 当前文章的判定 |
|---|---|
| 输入可追溯 | 标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份 |
| 过程可回放 | 依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成 |
| 结果可审计 | 原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace |
“进阶：企业级 RAG 项目拆解”的一次合格基线对照按以下顺序执行：
- 保存“进阶：企业级 RAG 项目拆解”基线版本及输入摘要，确认基线本身可以重复运行。
- 写下“进阶：企业级 RAG 项目拆解”候选方案唯一变化的变量，以及它预期影响的指标。
- 在同一环境执行“进阶：企业级 RAG 项目拆解”：依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成。
- 为“进阶：企业级 RAG 项目拆解”保存：原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace。
- 使用“进阶：企业级 RAG 项目拆解”预登记条件判断：正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料。
- 如果“进阶：企业级 RAG 项目拆解”未通过，不修改第二个变量，先恢复基线并保留失败现场。
十一、用一张矩阵验证 进阶：企业级 RAG 项目拆解 的关键结论
矩阵按正文顺序列出“进阶：企业级 RAG 项目拆解”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。
| 正文章节 | 已解释的结论 | 本轮唯一变量 | 必须保存的证据 |
|---|---|---|---|
| 企业级 RAG 不只是“上传文档然后问” | 企业级 RAG 的核心不是“模型更强”，而是把证据链、权限链、评测链补起来。 | 只改变与“企业级 RAG 不只是“上传文档然后问””相关的条件 | 原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace |
| 离线入库链路 | 父子分块是企业文档里很常见的做法。 | 只改变与“离线入库链路”相关的条件 | 原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace |
| 在线问答链路 | 用户没有权限看的 chunk，不能被召回进上下文，更不能交给模型“自觉保密”。 | 只改变与“在线问答链路”相关的条件 | 原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace |
| 权限和溯源是企业场景的分水岭 | 企业知识库的安全边界要放在代码里，不放在 prompt 里。 | 只改变与“权限和溯源是企业场景的分水岭”相关的条件 | 原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace |
| 指标怎么写进项目成果 | 一个成熟表达是：维护一套包含正样本和负样本的评测集， | 只改变与“指标怎么写进项目成果”相关的条件 | 原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace |
| 可直接复用的项目表达 | 实现企业知识库 RAG 助手，支持文档上传、chunk 切分、语义检索、基于资料回答和引用来源展示。 | 只改变与“可直接复用的项目表达”相关的条件 | 原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace |
11.1 记录本次实际实验
下面的记录用于“进阶：企业级 RAG 项目拆解”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。
topic: "进阶：企业级 RAG 项目拆解"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成"
evidence: "原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace"
pass_when: "正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料"
stop_when: "解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure
11.2 边界实验必须证明能够停止和恢复
成功路径只能证明“进阶：企业级 RAG 项目拆解”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论，并观察系统是否在产生不可逆副作用前停止。
| 场景 | 只改变什么 | 应保存什么 | 通过标准 |
|---|---|---|---|
| 正常路径 | 使用已知有效输入 | 原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace | 正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料 |
| 边界路径 | 把一个输入推进到约束临界值 | 临界值前后的输出与指标 | 不静默降级，不把部分结果冒充成功 |
| 明确失败 | 注入：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论 | 原始错误、首个异常阶段和最终状态 | 失败被正确分类且没有扩大副作用 |
| 恢复重放 | 执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链 | 原失败样本的复测证据 | 原样本恢复，正常样本没有回归 |
恢复动作不是简单重启。对于“进阶：企业级 RAG 项目拆解”，第一步是：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。
“进阶：企业级 RAG 项目拆解”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。
十二、进阶：企业级 RAG 项目拆解 的结果解释
解释“进阶：企业级 RAG 项目拆解”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。
| 观察结果 | 可以支持的判断 | 下一步 |
|---|---|---|
| 主链路没有达到预期 | 解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论 | 先执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链 |
| 异常链路无法恢复 | 解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论 | 先执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链 |
| 新样本成功但原样本仍失败 | 修复没有覆盖原始触发条件 | 固定原失败输入，恢复基线后重新比较 |
| 指标改善但证据无法回链 | 数据、版本或中间状态没有固定 | 暂停发布，补齐可追溯记录后重跑 |
“进阶：企业级 RAG 项目拆解”只有同时满足“正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料”，并且没有出现“解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。
如果“进阶：企业级 RAG 项目拆解”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。
“进阶：企业级 RAG 项目拆解”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。
十三、进阶：企业级 RAG 项目拆解 的发布判断
发布判断需要把“进阶：企业级 RAG 项目拆解”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。
- “进阶：企业级 RAG 项目拆解”的基线与候选只存在一个计划内变量。
- “进阶：企业级 RAG 项目拆解”的输入、代码、依赖、配置和数据版本可以追溯。
- “进阶：企业级 RAG 项目拆解”的正常、临界、失败和恢复样本使用同一套断言。
- “进阶：企业级 RAG 项目拆解”的原始输出、中间状态和失败现场已经保留。
- “进阶：企业级 RAG 项目拆解”的日志、Trace、截图和测试数据已经脱敏。
- “进阶：企业级 RAG 项目拆解”的停止条件、负责人和回滚入口已经演练。
- “进阶：企业级 RAG 项目拆解”尚未覆盖的输入、权限、容量和外部依赖已经登记。
最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“进阶：企业级 RAG 项目拆解”的判断，就不能发布。
十四、总结
- 企业级 RAG 不只是“上传文档然后问”：企业级 RAG 的核心不是“模型更强”，而是把证据链、权限链、评测链补起来。
- 离线入库链路：父子分块是企业文档里很常见的做法。
- 在线问答链路：用户没有权限看的 chunk，不能被召回进上下文，更不能交给模型“自觉保密”。
- 权限和溯源是企业场景的分水岭：企业知识库的安全边界要放在代码里，不放在 prompt 里。
- 指标怎么写进项目成果：一个成熟表达是：维护一套包含正样本和负样本的评测集，
- 可直接复用的项目表达：实现企业知识库 RAG 助手，支持文档上传、chunk 切分、语义检索、基于资料回答和引用来源展示。
学完自测
选择所有正确答案；提交后逐项核对判断依据。