RAG 的终点不是检索,而是知识
——从 Chunk、GraphRAG 到 LLMWiki,重新思考企业 AI 的知识组织方式 过去几年,RAG 几乎已经成为企业 AI 应用的标准答案。 企业有大量内部文档,不知道如何让 LLM 使用? 答案是 RAG。 企业想做智能客服、知识问答、内部搜索? 还是 RAG。 它的基本思路非常简单: Document ↓ Chunk ↓ Embedding ↓ Vector Search ↓
——从 Chunk、GraphRAG 到 LLMWiki,重新思考企业 AI 的知识组织方式
过去几年,RAG 几乎已经成为企业 AI 应用的标准答案。
企业有大量内部文档,不知道如何让 LLM 使用?
答案是 RAG。
企业想做智能客服、知识问答、内部搜索?
还是 RAG。
它的基本思路非常简单:
Document
↓
Chunk
↓
Embedding
↓
Vector Search
↓
Rerank
↓
LLM
↓
Answer
这套方法确实有效,也解决了第一代企业知识问答的大量问题。
但 RAG 发展到今天,一个越来越值得追问的问题出现了:
我们究竟是在解决“知识检索”问题,还是只是在解决“文本检索”问题?
如果答案是后者,那么 RAG 的很多问题,其实并不来自 Embedding、Vector DB 或 LLM,而来自一个更底层的设计:
我们把 Chunk 当成了知识的基本单位。
而现实世界显然不是由 Chunk 构成的。
人类认识世界的基本单位,是对象、概念、属性、关系、事件、状态和时间。
这可能意味着:
RAG 真正的演化方向,并不是不断把文本检索做得更复杂,而是逐渐改变“知识”的表示方式。
一、传统 RAG 面临的第一个问题:Chunk 根本不是知识单位
假设企业文档中有这样一段:
ABC Pro 于 2025 年 3 月上市,售价 5999 元,支持 100W 快充。2025 年 8 月通过固件升级增加 RAW 视频功能。
传统 RAG 首先做的是:
文本
↓
Chunk
↓
Embedding
↓
Vector Index
但从知识角度看,这段文字表达的其实是:
ABC Pro
├── 上市时间 → 2025-03
├── 售价 → 5999
├── 快充能力 → 100W
├── 固件升级 → 2025-08
└── 新增能力 → RAW 视频
文本的物理结构,与知识的逻辑结构,并不是一回事。
这就是固定长度 Chunk 的第一个根本问题。
于是行业很快开始寻找第一个解决方案。
二、第一次演化:从固定 Chunk 到 Semantic Chunking
既然固定长度不合理,那么就按照语义切。
于是出现了:
- Semantic Chunking
- Structure-aware Chunking
- Parent-child Chunking
- Contextual Chunking
系统开始理解:
标题
章节
段落
表格
代码
语义边界
这比简单地每 500 tokens 切一次显然更合理。
但问题并没有真正解决。
因为:
语义边界本身就是模糊的。
例如:
“乔布斯于 1976 年创立 Apple,1985 年离开公司,并于 1997 年重新回归。”
这在文本上是一个段落。
但在知识上却至少包含:
Steve Jobs
│
├── founded → Apple
│ └── 1976
│
├── left → Apple
│ └── 1985
│
└── returned → Apple
└── 1997
所以 Semantic Chunking 本质上仍然是在做一件事情:
从文本结构猜测知识结构。
这已经比固定切片前进了一步,但它仍然没有真正解决“知识是什么”的问题。
三、第二个问题:一个 Chunk 很难回答复杂问题
简单问题通常没有问题:
ABC Pro 支持多少瓦快充?
找到一个相关 Chunk 即可。
但企业真实问题经常是:
为什么我的 ABC Pro 不能升级?
这个问题可能同时涉及:
产品型号
+
当前固件版本
+
购买地区
+
客户类型
+
升级政策
+
政策版本
单个 Chunk 很难回答。
于是 RAG 开始第二次演化:
Query
↓
Hybrid Search
↓
召回更多候选
↓
Rerank
↓
Top-N
BM25 负责精确词匹配。
Embedding 负责语义匹配。
Reranker 再判断:
哪些文本真正与问题相关?
这使 RAG 的召回能力大幅提高。
但它也暴露了一个事实:
如果一个问题需要不断扩大搜索范围,再通过 reranker 筛选,我们是不是从一开始就选错了检索对象?
四、第三次演化:从“一次检索”到 Query Decomposition
复杂问题继续逼迫 RAG 演化。
例如:
“我去年购买的 ABC Pro,在台湾使用,现在出现故障,还能免费维修吗?”
系统很难直接通过一次搜索找到答案。
于是出现:
- Query Rewrite
- Query Expansion
- Multi-query
- Query Decomposition
- Agentic Retrieval
一个问题被拆成:
Q1:ABC Pro 的保修政策是什么?
Q2:台湾地区适用什么政策?
Q3:去年购买适用哪个政策版本?
Q4:这个故障是否属于免费维修范围?
然后分别检索。
这一步非常重要,因为 RAG 开始承认:
问题背后不是一个文本片段,而是一组相互关联的知识。
系统正在从:
“找一段相关文字”
慢慢走向:
“寻找回答问题所需要的知识结构”。
如果一个问题需要多个知识,那么自然会产生下一个问题:
能不能让 LLM 自己决定需要什么知识?
于是出现了 Query Decomposition、Multi-step Retrieval,以及更进一步的 Agentic RAG。
传统 RAG:
Question
↓
Retrieve Top-K
↓
LLM
↓
Answer
Agentic RAG:
Question
↓
Understand
↓
Plan
↓
Retrieve
↓
Evaluate
↓
Need More Knowledge?
├── Yes → Retrieve Again
│ ↓
│ Evaluate
│ ↓
│ ...
│
└── No
↓
Answer
这时,RAG 已经发生了一个非常重要的变化:
Retrieval 不再是一个固定动作,而成为 Agent 推理过程中的一个循环。
五、智能客服其实是一个非常典型的例子
例如用户问:
我上个月买的 iPhone 15 Pro 为什么还不能退?如果现在换成 iPhone 16 Pro,需要补多少钱?
这个问题显然不能只搜索一次。
Agent 可能需要:
1. 找到用户
2. 找到订单
3. 查询购买日期
4. 查询商品
5. 查询退货政策
6. 判断是否符合退货条件
7. 查询 iPhone 16 Pro 当前价格
8. 计算差价
9. 综合生成答案
于是整个过程变成:
User Question
│
▼
Understand
│
▼
Plan
│
┌────────────┼────────────┐
▼ ▼ ▼
Order Policy Product
│ │ │
└────────────┼────────────┘
▼
Evaluate
│
Missing Knowledge?
┌────┴────┐
Yes No
│ │
▼ ▼
Retrieve Reason
│ │
└───────────┘
│
▼
Verify
│
▼
Answer
这就是一个真正意义上的 Knowledge Loop。
这里有一个值得注意的变化:
Agent 不应该只是不断地“搜索更多关键词”。
真正应该循环的是:
我为了回答这个问题,还缺什么知识?
这两个问题完全不同。
六、Plan 的对象,不应该是 Search Query,而应该是 Knowledge Requirement
例如:
为什么我的订单不能退款?
一个传统 RAG Agent 可能产生:
Search:
"退款政策"
"订单退款"
"30天退款"
"商品退款条件"
但更好的 Agent 应该产生:
Required Knowledge:
Order.purchase_date
Order.status
Order.product
Product.return_policy
Policy.effective_date
Policy.special_conditions
然后再决定这些知识应该通过什么方式获得:
Knowledge Requirement
│
├── Wiki
├── Knowledge Graph
├── Database
├── API
└── RAG Evidence
这其实是一个非常重要的架构变化:
Agent 不再围绕“搜索”进行规划,而是围绕“知识缺口”进行规划。
七、第四次演化:既然知识有层级,那就建立层级
另一个非常有代表性的方向是 RAPTOR。
传统 RAG 往往只检索底层 Chunk。
RAPTOR 则对文本进行聚类和递归摘要,建立多层级结构:
Document
/ \
Summary Summary
/ \ / \
Chunk Chunk Chunk Chunk
这样既可以从底层细节回答问题,也可以从更高层级理解整个文档。
这实际上已经开始接近人类知识组织方式:
人类不会把一本书理解成几百个互不相关的段落,而会先理解章节、主题、概念,再深入细节。
RAPTOR 的重要意义在于:
RAG 开始从“平面文本检索”向“层级知识检索”演化。
但它仍然主要是在构造更好的文本结构。
真正的下一步,是关系。
八、第五次演化:GraphRAG——从文本走向实体和关系
如果知识之间存在关系,那么为什么不直接建立 Graph?
这就是 GraphRAG 的核心思想。
文本:
Steve Jobs founded Apple.
不再只是一个 Chunk,而可以变成:
Steve Jobs
│
founded
│
▼
Apple
进一步:
Apple
├── founded_by → Steve Jobs
├── products → iPhone
├── competitor → Microsoft
└── CEO → Tim Cook
微软 GraphRAG 进一步引入 Entity、Relationship、Claim、Community 等结构,并通过 Local Search、Global Search、DRIFT 等方式利用这些结构进行检索。
这一步是 RAG 演化史上的一个重要转折点:
检索对象开始从“文本块”变成“知识节点和关系”。
九、但 Graph 仍然不是终点
现实世界不仅存在:
Entity
Relation
还存在:
Attribute
Event
State
Time
Evidence
例如:
Apple CEO 是谁?
一个简单 Graph 可以表示:
Apple
↓ CEO
Tim Cook
但如果问题是:
2010 年 Apple 的 CEO 是谁?
就必须理解时间。
真正合理的表示应该是:
Apple
│
└── CEO
├── Steve Jobs
│ └── valid_until: 2011
│
└── Tim Cook
└── valid_from: 2011
再比如:
ABC Pro 什么时候增加 RAW 视频?
它不是一个普通 Attribute,而是一个 Event:
ABC Pro
│
└── Firmware Upgrade
│
├── time → 2025-08
└── added → RAW Video
因此,真正完整的知识对象开始变成:
Object
├── Attributes
├── Relations
├── Events
├── States
├── Timeline
└── Evidence
这已经开始超越传统 Knowledge Graph。
十、这时候,一个更根本的问题出现了:为什么一定要在 Query 时理解知识?
到这里,我们可以看到 RAG 一直在做一件事情:
用户提问以后,再想办法从原始文本中恢复知识。
于是整个检索链越来越复杂:
Query
↓
Rewrite
↓
Embedding
↓
Hybrid Search
↓
Rerank
↓
Query Decomposition
↓
Graph Traversal
↓
Context
↓
LLM
那么有没有可能反过来?
不是:
用户提问时才理解知识。
而是:
知识进入系统的时候,就把它理解、组织和关联好。
这正是 LLMWiki 这类系统值得关注的地方。
十一、LLMWiki:从“检索文本”走向“维护知识”
Microsoft LLM Wiki 的核心价值,并不只是“把 RAG 做得更好”。
它更像是在尝试建立一种:
Persistent Knowledge Layer
传统 RAG:
Document
↓
Chunk
↓
Index
用户提问
↓
Search
↓
找到相关 Chunk
LLMWiki 所代表的方向更接近:
Document
↓
AI Understanding
↓
Entity / Concept
↓
Knowledge Page
↓
Cross-link
↓
Enrichment
↓
Persistent Knowledge
也就是说:
传统 RAG 把理解知识的成本推迟到了 Query Time;Wiki 把一部分理解和组织工作提前到了 Knowledge Build Time。
这其实是非常大的架构变化。
十二、为什么 Wiki 可能是非常自然的知识形态?
因为人类本身就是这样组织知识的。
我们不会把 Apple 的知识理解成:
Chunk 1827
Chunk 3942
Chunk 8173
而会形成:
Apple
├── History
├── Products
├── Leadership
├── Technology
├── Competitors
└── Related Concepts
点击 Steve Jobs,又可以进入:
Steve Jobs
├── Apple
├── Pixar
├── NeXT
└── Timeline
所以 Wiki 本质上同时具有:
Tree
+
Graph
+
Human-readable Knowledge
+
Evidence
LLMWiki 的重要启发是:
企业知识可以成为一种持续积累的资产,而不是每次查询时从文档中临时恢复出来的东西。
十三、这时出现了另一个非常有意思的问题:为什么不直接训练一个“企业小模型”?
如果 GPT 为什么能够回答大量普适性问题?
一个重要原因是:
这些知识已经通过训练进入了模型参数。
模型不是每次被问“什么是 TCP”时,都去搜索 TCP 文档。
它已经在训练过程中形成了对:
TCP
HTTP
Linux
Python
历史
科学
数学
等概念的内部表示。
于是一个自然的问题出现了:
如果我们把企业知识也按照训练大模型的方式训练进去,是不是就可以得到一个企业知识小模型?
答案是:
可以,而且这条路确实有价值。
例如:
Enterprise Documents
↓
Cleaning
↓
Knowledge Dataset
↓
Fine-tuning / Continued Pretraining
↓
Enterprise Small Model
这样得到的模型可能天然掌握:
- 企业术语
- 产品概念
- 企业流程
- 客服表达方式
- 领域推理模式
- 常见问题
- 稳定知识
于是很多问题可以直接:
User
↓
Enterprise Model
↓
Answer
甚至不需要每次 RAG。
十四、但“企业小模型”不能成为企业事实数据库
问题也恰恰在这里。
企业知识不是静态的。
例如:
2025 Warranty Policy
→ 12 months
2026 Warranty Policy
→ 24 months
如果这个知识进入模型参数:
Enterprise Model v1
政策变化之后怎么办?
重新训练:
Enterprise Model v2
如果企业每天都在改变:
- 产品价格
- 库存
- 政策
- 客户等级
- 订单
- 产品能力
- 法规
那么把这些信息全部写入参数显然不是一个高效方案。
因此,一个非常重要的分层出现了:
Stable Knowledge
↓
Model Parameters
Structured Knowledge
↓
Wiki / Knowledge Graph
Dynamic State
↓
Database / API
Evidence
↓
Documents / RAG
这比简单讨论:
RAG 还是 Fine-tuning?
更加准确。
十五、换句话说:模型应该学习“企业”,而不是记住“企业数据库”
这是企业小模型真正适合的位置。
例如它可以学习:
什么是公司的产品?
产品之间通常有什么关系?
客服应该如何处理售后问题?
企业内部术语是什么意思?
某类问题应该调用哪些知识?
这些是:
稳定的能力和知识模式。
但:
“ABC Pro 今天多少钱?”
“这个客户当前有没有保修?”
“2026 年 3 月最新政策是什么?”
应该去问:
Wiki
Database
API
而不是相信模型参数。
因此可以把企业 AI 很简单地分成:
Model = 能力
Wiki = 知识
Database/API = 状态
RAG = 证据
这四者各司其职。
十六、于是我们开始看到一种比传统 RAG 更合理的架构
假设企业生产环境中维护一个 Wiki。
但这个 Wiki 不是简单的 Markdown 文档,而是结构化知识:
Entity
Concept
Attribute
Relation
Event
State
Policy
Procedure
Evidence
企业员工负责:
Schema
Policy
Review
Approval
AI 负责:
Document Understanding
Entity Extraction
Knowledge Extraction
Cross-link
Conflict Detection
Change Proposal
形成:
Raw Source
↓
AI Understanding
↓
Knowledge Proposal
↓
Validation
↓
Human Approval
↓
Canonical Wiki
这就形成了:
Human-governed, AI-assisted Knowledge System
这比要求员工手工维护数万个 Wiki 页面现实得多。
十七、而 LLM 与 Wiki 之间,不应该只是“搜索”
这是整个架构最值得进一步思考的地方。
传统 RAG 给 LLM 的工具可能是:
search("ABC Pro warranty")
然后返回:
Chunk 1
Chunk 2
Chunk 3
...
未来的 Knowledge API 可以直接暴露:
get_entity("ABC Pro")
get_attribute(
entity="ABC Pro",
attribute="warranty"
)
get_related_entities(
entity="ABC Pro",
relation="compatible_with"
)
get_events(
entity="ABC Pro"
)
get_state(
entity="ABC Pro",
time="2025-06"
)
get_evidence(
claim="ABC Pro warranty = 24 months"
)
这时候 LLM 不再是在:
搜索文本。
而是在:
查询知识世界。
这里又回到了前面的智能客服。
如果企业只有 RAG:
Agent
↓
Search("退款政策")
↓
Search("订单退款")
↓
Search("商品退货")
如果企业已经拥有 Knowledge World:
Agent
↓
Understand Question
↓
Plan
↓
Get Order
↓
Get Product
↓
Get Return Policy
↓
Get Current Order State
↓
Get Evidence
↓
Reason
↓
Verify
↓
Answer
这时候 Agent 调用的已经不是简单的 search(),而是本节列出的 Knowledge API;LLM 面对的也不再是「一个搜索引擎」,而是一个可以被查询和操作的企业知识世界。
MCP 这类机制尤其适合承担这个角色:让模型通过统一的工具协议访问企业知识,而不是把所有知识都塞进 Context。
LLMWiki 当前已经提供 MCP server,并支持外部 Agent 对 Wiki 进行读取和写入;它的 Smart Ingest 也在尝试让 AI 自动从新资料中生成实体、概念、交叉链接并更新已有知识。
十八、这可能比传统 RAG 更高性价比
比较两个客服请求。
传统 RAG:
用户
↓
Query Rewrite
↓
Embedding
↓
Vector Search
↓
BM25
↓
Fusion
↓
Rerank
↓
Context
↓
LLM
Knowledge Wiki:
用户
↓
LLM 理解问题
↓
get_entity("ABC Pro")
↓
get_policy("warranty")
↓
get_state(...)
↓
LLM Reasoning
如果 Wiki 已经把知识组织好,第二种方案会有一个非常明显的优势:
搜索空间大幅缩小。
这和数据库为什么比全文搜索可靠是类似的。
数据库不会问:
“哪一段文本看起来最像这个 SQL?”
它直接定位:
WHERE product_id = 'ABC-Pro'
结构化知识的价值并不只是“更聪明”。
它首先意味着:
更少的搜索空间,更少的歧义,更少的猜测。
但这还不是全部区别。传统 Agentic RAG 与 Knowledge Agent 的差异,往往不在于「有没有 Agent」,而在于 Agent 是在搜索文本,还是在操作知识:
传统 Agentic RAG:
Question
↓
Plan
↓
Search
↓
Search
↓
Search
↓
Summarize
Knowledge Agent:
Question
↓
Understand
↓
Plan Knowledge Requirements
↓
Traverse Knowledge World
↓
Retrieve State
↓
Retrieve Evidence
↓
Reason
↓
Verify
↓
Answer
Agent 到底是在「搜索文本」,还是在「操作知识」? 这可能是下一阶段企业 Agent 架构非常重要的分界线。
十九、那么 RAG 会消失吗?
不会。
它的位置会变化。
未来可能是:
Enterprise AI
│
LLM
│
MCP / Tools
│
Enterprise Knowledge
│
┌───────────────┼───────────────┐
│ │ │
Wiki Graph Live Data
│ │ │
└───────────────┼───────────────┘
│
Evidence
│
RAG
│
Raw Sources
RAG 不再是整个系统。
它变成:
Evidence Retrieval Layer
其中各层可以这样理解:
Wiki / Graph → What we know
Database / API → What is happening now
RAG → Why we believe it
Model → How we reason
Agent → What we should do
当 Wiki 中有一个事实:
ABC Pro warranty = 24 months
系统仍然需要知道:
这个事实来自哪份政策?
于是 RAG 仍然负责从原始资料中找证据。
所以未来不是:
RAG vs Wiki
而更可能是:
Wiki 负责知识,RAG 负责证据。
二十、这也解释了为什么“人类知识组织方式”如此重要
回头看整个 RAG 的演化:
Fixed Chunk
↓
Semantic Chunk
↓
Hybrid Retrieval
↓
Reranking
↓
Query Decomposition
↓
Agentic RAG
↓
Hierarchical Retrieval
↓
GraphRAG
↓
Wiki / Persistent Knowledge
↓
Object-centric Knowledge
↓
Knowledge Agent
↓
Enterprise Knowledge OS
表面上,这是 Retrieval 技术不断升级。
但从更底层看,它其实一直在解决同一个问题:
机器应该如何表示知识?
Chunk 不够,于是优化 Chunk。
Chunk 仍然不够,于是做多路检索。
多路检索仍然不够,于是建立层级。
层级仍然不够,于是建立 Graph。
Graph 仍然不够,于是加入 Event、State、Time、Evidence。
最终,我们发现:
真正需要的不是一个更好的搜索引擎,而是一套更接近人类知识组织方式的知识系统。
二十一、未来可能不是“企业 RAG”,而是“企业知识操作系统”
如果继续把这个方向推到底,最终架构可能变成:
Enterprise AI
LLM
│
Reasoning Engine
│
MCP / Knowledge API
│
┌──────────┴──────────┐
│ Enterprise World │
│ Model │
└──────────┬─────────┘
│
┌───────────────────┼───────────────────┐
│ │ │
Objects Events Concepts
│ │ │
Relations States Timeline
│ │ │
└───────────────────┼───────────────────┘
│
Evidence
│
Raw Enterprise Data
在这个系统里:
模型参数
负责稳定的能力、领域知识和推理模式。
Wiki / Knowledge Graph
负责结构化、可审核、可更新的企业知识。
数据库 / API
负责动态事实和实时状态。
RAG
负责原始证据检索。
MCP / Tool
负责让 LLM 访问这个世界。
最终:
LLM 不再是一个“读文档然后回答问题”的模型,而是一个能够访问企业知识世界并在其中进行推理的智能接口。
二十二、最后结论:RAG 的终点,可能是“知识”,而不是“检索”
现在回头看最初的问题:
RAG 为什么越来越复杂?
因为我们一直在用 Retrieval 技术弥补 Representation 的不足。
我们希望:
Chunk
代表知识。
但 Chunk 并不是知识。
于是:
Semantic Chunk
出现了。
还是不够。
于是:
Hybrid Search
Rerank
Query Decomposition
Hierarchical Retrieval
GraphRAG
不断出现。
它们都在一点一点地逼近真正的知识结构。
而 LLMWiki 提供了另一个重要启发:
为什么不在知识进入系统的时候,就把它组织起来?
进一步,我们又得到两个新的结论。
第一:
企业知识中稳定、抽象、可泛化的部分,可以进入企业小模型,让模型真正“懂企业”。
第二:
动态、精确、需要审计的知识,不应该被锁死在模型参数里,而应该存在于一个由 Human + AI 共同维护的企业知识层中。
因此未来最合理的企业 AI 架构,也许不是:
LLM + RAG
而是:
Enterprise AI
┌─────────────────────────────────┐
│ LLM │
│ Capability & Reasoning │
└────────────────┬────────────────┘
│
MCP / Tools
│
┌────────────────┴────────────────┐
│ Enterprise Knowledge │
│ │
│ Wiki + Graph + Timeline │
│ Objects + Relations + Events │
└────────────────┬────────────────┘
│
┌──────────┴──────────┐
│ │
Live Data Evidence
│ │
DB / API RAG
这时候,RAG 依然存在,但它已经不再是主角。
主角变成了知识。
而知识的最终形态,也许不是文档、Chunk、Embedding,甚至不只是 Graph。
它应该是:
一个可理解、可导航、可验证、可更新、可追溯的企业知识世界。
从这个角度看,RAG 的真正终点可能不是:
更好的 Retrieval。
而是:
更好的 Representation。
而企业 AI 的真正目标,也许不是训练一个“知道所有企业知识”的模型。
而是:
建立一个模型能够可靠访问、理解和推理的企业知识世界。
而当这些知识被持久化之后,Agent 就不再需要每次从海量文档中重新「猜测」企业知识,而可以直接在这个知识世界中进行:
Understand
↓
Plan
↓
Traverse
↓
Retrieve
↓
Reason
↓
Verify
↓
Act
系列说明
本仓库 mycs 将按上述架构,同步实现一套泛化智能客服系统(政府 / 企业 / 学校等):以 Knowledge Requirement 驱动的 Agent、结构化知识层与可选的领域状态 API 分工协作;不绑定订单或电商。博文与代码一一对应。里程碑与博文索引见 docs/PLAN.md、docs/SERIES.md。
本仓库实现约定(与正文「Wiki / DB / Agent」对齐)
正文里 RAG → 证据(Why we believe it) 是行业演进中的常见分工。本系列在工程上采用 无向量 chunk 方案,避免把「文本片段检索」重新拉回客服主路径。正文中的 iPhone / 订单 / 退换货示例用于说明 Knowledge Loop,不是本仓库的固定业务域。
| 正文概念 | mycs 实现 |
|---|---|
| 结构化知识(Wiki / Graph) | SQLite + Knowledge API(政策、办事指南、FAQ、实体与属性) |
| 动态状态(DB / API) |
可选:办件 / 工单 / 申请等 Case 状态 API(case_id);纯政策咨询可不走该层 |
| 证据(RAG 层) |
Wiki 内嵌 evidence:quote、source_uri、effective_from 等;Verify 对证据做确定性比对 |
| Agent | Plan Knowledge Requirement → 调 Wiki /(按需)领域 API → Verify → Answer |
| 编排 | M1–M4 自研 Agent loop(非 LangGraph/LangChain);见 PLAN.md |
不做: 独立里程碑上的 simple chunk、向量库与「先搜 chunk 再回答」的客服主链路;M1–M4 不以 LangGraph/LangChain 为编排核心(M6 可选评估 LangGraph 用于 HITL 等)。若原文尚未结构化,通过 ingest 写入 Wiki 并附带证据引用,而不是单独建 RAG 索引。
下一篇 知识库定了,就别再让模型猜你在问什么:知识库一旦选定,就不再让模型猜问题类型,而是让它从已上线的扁平问答里勾编号。
Originally published by Dev.to AI. Aggregated on AIWithGhost for educational purposes — full credit and traffic to the original publisher.