Dev.to AI 🤖 Ai 👁 0 📖 4 min read

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。

📰 Read the original article on Dev.to AI

Originally published by Dev.to AI. Aggregated on AIWithGhost for educational purposes — full credit and traffic to the original publisher.