前言

最近在测试多个大语言模型（LLM）时，我尝试提出一些比较简单的问题。

例如：

- 某家公司主要经营什么业务？
- 某个行业有哪些代表性企业？
- 某类产品有哪些生产厂家？

模型通常能够快速生成一份比较完整的回答。

很多人会认为：

这是因为模型"知道"这些企业。

实际上，从技术角度来看，事情并没有这么简单。

---

## 大模型为什么能够回答企业问题？

目前，大模型获取企业信息主要有几种来源。

例如：

- 训练阶段已经包含的公开知识；

- 基于RAG（Retrieval-Augmented Generation）的实时检索；

- 外部搜索接口；

- 企业私有知识库。

因此，当模型回答一家企业时，并不是简单地查询一个网页，而是可能综合多个公开信息来源进行组织。

---

## RAG真正解决的是什么问题？

很多AI应用已经采用RAG架构。

一个典型流程通常包括：

① 用户提出问题；

② 检索系统召回相关文档；

③ 对文档进行排序（Ranking）；

④ 将结果作为上下文输入LLM；

⑤ LLM生成最终回答。

整个过程中，大模型真正依赖的是：

**检索结果的质量。**

如果检索阶段得到的信息存在大量重复、冲突或者描述不一致，那么最终生成内容也可能受到影响。

---

## 为什么公开数据质量会影响回答？

假设一家企业拥有：

官方网站；

行业平台；

百科资料；

产品说明；

技术文章；

新闻资讯。

如果这些公开数据之间表达一致，那么Embedding之后，它们通常能够形成更加稳定的语义关联。

反之，如果：

官网介绍A；

行业平台介绍B；

新闻稿介绍C；

产品名称长期不统一；

那么语义召回阶段可能会出现更多噪声（Noise）。

这也是很多RAG实践中经常讨论的数据质量问题。

---

## RAG并不仅仅依赖Embedding

很多开发者容易把注意力放在Embedding模型上。

实际上，一个RAG系统通常还受到很多因素影响，例如：

- Chunk切分方式；

- Metadata设计；

- 向量数据库召回策略；

- Re-ranking；

- Prompt模板；

- Context长度。

除此之外，知识本身是否持续维护，同样会影响最终效果。

因此，在很多企业知识库项目中，数据治理（Data Governance）也是非常重要的一环。

---

## 一点思考

很多人讨论大模型时，更关注模型参数或者推理能力。

实际上，对于大量RAG应用来说，

真正影响回答质量的，不仅是模型能力。

还有：

知识组织方式；

文档质量；

数据一致性；

上下文构建。

这些因素共同决定了最终生成内容的稳定性。

随着企业知识库和Agent应用不断增加，如何持续维护高质量知识，也会成为越来越重要的话题。

---

## 总结

RAG解决的是"如何找到知识"的问题。

LLM解决的是"如何理解知识"的问题。

而知识本身如何组织、如何维护、如何持续更新，则决定了整个系统能够输出怎样的结果。

对于开发企业知识库、Agent以及RAG应用的开发者来说，这部分工作同样值得投入更多关注。