本文介绍了企业知识库智能问答系统的三种RAG方案：简单RAG适用于小规模知识库或MVP阶段；标准RAG结合向量与关键词检索，提升召回稳定性；进阶RAG通过预处理和后处理优化信息相关性。文章采用模块化方式，按场景、实现方式和价值进行说明，旨在帮助开发者根据业务需求选择合适的RAG组合，构建高性能、高准确率的问答智能体。

---

背景

知识库建设后，企业智能问答应用效果却不理想的情况经常发生，导致很多企业在RAG选型决策时产生偏误。市场上出现了很多所谓“N 种 RAG”解决方案，本质是对同一条链路中不同模块（Query、Retriever、Ranker、Context、Generator、Verifier）的优化。本文用模块化方式整理：每个模块按【场景】、【实现方式】、【价值】说明，便于直接落到企业知识库与智能体工作流中。

目标

根据业务场景选择合适的 RAG 组合拳，提升可答率与引用一致性。问答智能体需要结合知识库能力+智能体RAG工程实现，在实际使用过程中，RAG工程（或上下文工程）不是全部由【知识库】实现，更多是依赖工程能力达成智能问答的目的。

【知识库】作为RAG工程的内容提供方，可以面向Context Relevance（上下文相关性）、Context Precision（上下文精确率）、Context Recall（上下文召回率）三大指标进行多种RAG方案的组合。

本文提出RAG的实现方案，期望根据这个方案，知识库产品可以提供智能体RAG工程构建的必要信息（原子能力），支持在开发平台中构建高性能、高准确率的问答智能体。

本系列内容分18篇完成，逐步展开对RAG方案的深入探索，有志之士可以收藏跟踪。因为工作较忙，更新速度会比较慢。

方案1：简单RAG（Simple RAG）

💡热度：⭐⭐⭐⭐⭐

场景&价值

【场景】

• 知识库规模较小或处于 MVP 阶段，需要快速跑通“有引用的问答”。
• FAQ、制度、产品手册、售前资料等“答案在文档里且相对直接”的问题。

【价值】

• 最快形成闭环，后续所有高级方案都可视为在其上叠加。
• 便于建立“评测集 + 日志审计 + 反馈闭环”的工程基础。

实现方式

【知识库】

• 提供切片，chunk 元信息，来源文档、章节标题路径、有效性。
• 常见参数：TopK=3~8；上下文长度受模型窗口限制。

【智能体工程】

• 实现智能体构建，选择向量检索。
• 输出要求：答案后附引用（chunk 引用/链接）。

优点

简单有效，能够提升 LLM 的生成效果，输出结果耗时短。

缺点

存在检索到很多与 query 无关的片段，增加噪声输入，与 query 关联的信息比较稀疏，需要 LLM 本身去提炼或挖掘利用。仅考虑一个外部知识源，是一次性解决方案，上下文只检索一次，没有对检索到的上下文质量进行推理或验证。

流程

Query → 向量检索 TopK → 拼接上下文 → LLM 生成。

方案2：标准RAG-向量+关键词混合RAG策略

（Dense / Sparse / Hybrid Retrieval）

💡热度：⭐⭐⭐⭐⭐

场景&价值

【场景】

• 既有自然语言问题，也有大量编号/术语/字段名（如“TR-1024”“SLA”“工单号”）。
• 理解提问者意思，并在海量不规则的文档中找到意思相近的片段，不要求强制匹配。

【价值】

• 召回更稳、更抗“同义表达”和“关键词缺失”。
• 对企业知识库（编号/制度/表格字段）几乎是默认选项。

实现方式

【知识库】

• Dense：向量召回；
• Sparse：BM25/倒排；
• Hybrid：两路召回后融合（常用 RRF），或拼接候选再 rerank。
• 先召回更大候选集（如 BM25 Top50 + 向量 Top50），再进入重排。

【智能体工程】

• 智能体构建时选择混合检索。
• 输出要求：答案后附引用（chunk 引用/链接）

方案3：进阶RAG

💡热度：⭐⭐⭐⭐⭐

场景&价值

【场景】

• 用户问题比较随意，不能通过直接匹配知识库内容进行回答。
• 对召回的内容的相关性要求高于完整性。

【价值】

• 召回更多的内容，扩展提问者思路。

实现方式

【知识库】

• Dense：向量召回；
• Sparse：BM25/倒排；
• Hybrid：两路召回后融合（常用 RRF），或拼接候选再 rerank。
• 先召回更大候选集（如 BM25 Top50 + 向量 Top50），再进入重排。

【智能体工程】

• 实现智能体构建。
• 输出要求：答案后附引用（chunk 引用/链接）。

创新点

在检索前后增加预处理（如查询重写）和后处理（如结果重排），提升信息相关性。

优点

减少噪声干扰，优化生成质量。

缺点

流程复杂度增加，实时性受限。

如何学习AI大模型？

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓