RAG系统：让生成建立在可检索、可引用的知识证据上

RAG把生成模型的参数化知识与外部可检索知识结合，使系统能够在任务发生时获取相关材料，再围绕材料生成结果。企业项目通常还需要加入关键词与字段检索、语义召回、重排、权限过滤、版本判断、引用定位和答案校验。

RAG不是事实保证器，也不自动解决资料错误、版本冲突、权限越界和专业责任问题。没有知识治理、真实问题集和持续运营的“上传文件＋聊天”只是一种演示形态。

• 输入：文件、数据库记录、知识图谱、业务状态、查询条件和用户权限。
• 处理：解析、去重、分段、元数据、全文/向量/结构化检索、重排、上下文组装和答案校验。
• 输出：带来源的回答、文件比较、条款定位、依据清单、拒答或待核验状态。

授权资料与业务条件 → 解析和知识状态 → 权限与适用范围过滤 → 混合检索与重排 → 证据组装 → 生成与校验 → 引用、限制和下一步

• 场景与语料基线：用户、问题集、来源、版权、版本、权限和非目标。
• 知识工程：原件登记、解析质量、分类元数据、状态机、发布与撤回机制。
• 检索链路：基线检索、混合召回、过滤、重排、引用定位和拒答策略。
• 应用集成：身份、会话、业务上下文、反馈、日志、导出和必要系统接口。
• 评测运营：黄金问题集、安全题、失败归因、回归门槛、更新责任和回滚。
• 典型交付：知识目录、数据与答案契约、检索服务、应用界面/API、评测报告和运营手册。

• 只做向量检索：补充精确、全文、字段和结构化查询，并用真实问题路由。
• 切分参数一次定终身：保存版本，以黄金集比较后灰度切换和回滚。
• 答案有链接但链接不支持结论：进行主张—证据一致性评测。
• 权限只在页面隐藏：在检索、上下文、模型输入、展示和导出全链路执行。
• 新旧制度同时回答：建立发布、替代、撤回和历史影响扫描。
• 上线后无人负责：明确来源巡检、审核、问题修复和回归发布责任。