AI / CYY

RAG 机制

问 Claude"今天深圳天气怎么样"——它不知道，因为它的知识截止到训练那天。

2026/7/6#RAG

把 RAG 想成考试时可以翻书

没有 RAG 的 AI = 闭卷考试。只能靠脑子里的记忆回答。

有 RAG 的 AI = 开卷考试。你问它一个问题，它先去翻书找到相关内容，读一遍，再用自己的话回答你。

RAG 怎么做：六步流水线

你把文档放进去
    ↓ ① 接入：Word、PDF、网页，什么格式都行
    ↓ ② 清洗：去掉格式乱码、广告、空行
    ↓ ③ 切块：把长文档切成小段，每段几百字
    ↓ ④ 向量化：把文字段落变成一串数字（"向量"），方便搜索
    ↓ ⑤ 召回：你提问时，系统从向量库里找到最相关的几段
    ↓ ⑥ 生成：把找到的段落喂给 AI，AI 据此回答

RAG 最大的坑：不是装了就有用

很多人以为“装个向量库 + 灌进文档 = 知识库搭好了”。完全不是。

如果你不洗数据——文档里有广告、乱码、重复内容——RAG 检索回来的就是垃圾，AI 基于垃圾回答，反而比不翻书更差。

RAG 成败不在用什么向量库，在于你洗数据多认真。

冲突了怎么办：三招

不同文档对同一件事说法不同（“销售额比去年增长了” vs “销售额实际上在下降”），RAG 怎么选？

看谁更权威：财报 > 自媒体文章。每条文档标一个可信度分数。
让 AI 辩论：启动两个 AI，一个主张 A，一个主张 B，互相质询后给出结论。
标出处：不管什么结论，附上原文档的链接，你可以自己验证。

权限问题：实习生不该看到高管财报

RAG 权限隔离分三步，缺一步都不行：

第一步 · 存的时候绑权限：文档转成向量入库时，就给它打上标签——“部门：财务部”“密级：机密”。权限跟着数据走，不放心的文档一开始就标清楚。

第二步 · 查的时候动态过滤：你发起检索时，系统先提取你的身份（你是谁、什么部门、什么级别），在去向量库搜索之前，就把你没权限看的文档过滤掉。高管财报不会出现在实习生的搜索结果里。

第三步 · 零信任设计：以上权限校验下沉在向量数据库的查询层，不依赖上层的应用代码。就算应用层有漏洞，数据层面的权限墙还在。