RAG是检索增强生成（Retrieval-Augmented Generation）：系统先从外部文档或数据源中查找与问题有关的内容，再把这些内容连同问题交给大模型，生成有资料依据的答案。在工业知识库中，它可以把设备手册、检验规范、作业指导书和维修记录接入问答，而不只依靠模型训练时记住的知识。
RAG是一种应用方式，不是某款大模型，也不等于向量数据库。它是工业大模型接入企业知识的一条路径。对工厂来说，难点往往不在“能否生成一句话”，而在于系统是否找到了正确零件、正确版本和当前用户有权阅读的资料，并且没有在整理答案时改变原意。
工业知识库中的RAG怎样完成一次问答？
RAG可以分为文档入库和在线问答两个阶段。入库时，把原始资料解析成可处理的内容，拆成适合检索的片段，保存来源与适用范围，再建立索引；问答时，根据用户的问题检索片段，筛选并组织证据，让模型据此回答。
Lewis等人的原始RAG论文把检索器与生成模型结合，让外部检索内容参与生成。今天常见的企业应用可以使用现成模型搭建这一过程，不必先重新训练一个行业大模型；但“是否训练”不是RAG的定义，原论文也包含检索器与生成器的联合训练。
- 确定问题对象。识别问题中的零件号、设备型号、产线、时间及用户身份；必要信息缺失时先澄清。
- 检索适用资料。从允许访问的文档范围内找到候选片段，按问题相关性排序，并核对对象和版本。
- 组织回答依据。保留能够回答问题的原文、标题、版本和定位信息，去掉重复或无关内容。
- 生成并展示答案。模型依据这些片段作答，应用显示对应出处；证据缺失或冲突时明确指出缺口。
以下用一个假设问题贯穿说明：“二号产线使用的P-17零件，来料检验记录由谁填写，当前按哪版规范？”假设受控资料中V3已经生效，V2已失效，V4仍是草稿；V3规定由质量检验员填写记录。零件号、版本和职责均为教学设定，不对应实际企业规范。
工业文档入库，怎样保留表格、型号和版本？
解析文档时，要保留能决定含义的结构
文本PDF、扫描件、Word和表格的处理方式不同。扫描件需要文字识别，表格需要保留行列关系；一项检测要求若被拆成孤立的数字，或把不同型号的行拼到一起，后续检索再准确，也可能得到已经失真的内容。
因此，导入后应抽查原文与解析结果，重点看型号、单位、小数点、正负号、表头和脚注。图纸中尺寸与对象的对应、接线图中的连接关系，也不能只靠提取文字保留。微软的RAG资料准备指南将版式、图像、表格及其上下文列为需要单独分析的内容。
分块要围绕完整含义，不是每隔固定字数截断
分块是把文档拆成可单独检索的片段。片段过大，容易混入其他型号或步骤，浪费模型上下文；片段过小，又可能丢失适用对象、前提或例外。长度需要结合资料结构和实际问题测试，没有适用于所有工厂文档的统一字数。
在P-17示例中，只留下“由检验员填写”，无法知道适用于哪个零件、哪种记录。可检索片段应带上“P-17／来料检验／V3”等上下文，并保留“质量检验员填写”的完整表述。长表格按行组拆分时，应保留对应表头、单位和适用条件；相邻章节有依赖时，可以在命中片段后补取所属章节，而不必把整本手册都塞给模型。
每个片段还需要身份与来源信息
正文回答“规定是什么”，元数据则帮助系统判断“这段规定能不能用于当前问题”。工业文档片段通常需要保留文档ID、零件或设备型号、适用产线、版本、生效状态或时间、章节页码、原文件位置，以及访问权限。片段还应有独立ID，便于更新、删除和追查引用。
文档更新后，不能只把新版上传进去。需要识别被替换的旧片段，更新检索范围，并让相关缓存失效或重新核验。旧版本可为历史追溯保留，但查询“当前规定”时应使用已生效版本；查询过去某批次时，则要按当时适用日期取证。文件上传时间较晚，不等于它已经批准生效。
怎样检索出真正适用的文档内容？
零件号的精确匹配与问题含义的匹配各有作用
关键词检索擅长匹配P-17这类明确编号；向量检索则把文本转换成数值表示，用相似程度查找含义接近的内容。例如，用户问“谁来填来料检查单”，规范写的是“检验记录填写责任”，两者字面不同，但语义有关。
工业知识库可以结合这两种方式，形成混合检索。微软的混合检索说明特别指出，产品代码和专业术语等精确对象适合利用关键词匹配；向量检索补充概念相近的结果。RAG也可以使用其他检索方式，并不强制要求独立的向量数据库。
对于P-17，系统不能因为P-18文档的措辞更相似，就把它当作可用依据。零件号应成为明确的匹配或过滤条件；如果用户只说“这款零件”，而会话和业务页面都无法确定对象，应先补充信息。相关性分数衡量的是匹配程度，不是事实正确的概率。
权限、适用对象和有效版本要共同约束检索
检索前后可以按系统架构安排过滤，但未经授权的内容不能进入最终提供给模型的证据，也不能交给无权接触它的后续处理服务。身份应来自可信的登录会话，而不是用户在问题里自称“我是管理员”。文档级权限还要随分块保留，不能只有原文件受控，而索引中的片段对所有人开放。
微软的文档级访问控制说明展示了在索引中保存权限信息、查询时依据用户或用户组过滤结果的机制。工业系统需要落实的是这类授权关系，而不是在提示词中写一句“不要泄露资料”。
候选结果还可通过重排序再次判断与问题的关系，选取更有用的片段。这里要保留“谁填写”和“哪版有效”两部分证据，不能只因职责段排名靠前就遗漏版本依据。增加返回片段数可能补足信息，也可能引入更多噪声，应通过问题集验证，而不是默认越多越好。
工业文档问答的答案应怎样附带出处？
模型收到的上下文应包括问题、适用对象、经过筛选的证据片段，以及每段证据的标识。回答要求应明确：只把证据支持的内容写成企业规定；未找到的部分说明缺失；存在冲突时指出冲突所在。检索到的文档是待引用的资料，其中若出现要求模型改变权限或忽略规则的文字，也不能被当成应用指令执行。
在上述假设中，系统同时取得V3的有效状态和职责条款后，可以生成：
二号产线使用的P-17零件，当前按《P-17来料检验规范》V3执行；来料检验记录由质量检验员填写。依据：V3版本信息及“检验记录”条款。
实际应用应让两个结论分别能定位到对应原文，显示文档名称、版本、章节或页码，并提供用户有权打开的来源入口。引用地址和片段标识应从检索结果关联，不让模型自行编造文件链接。点开了正确文件，也还要检查对应段落是否真正支持该结论。
如果只找到“质量检验员填写”，却没有有效版本信息，系统可以回答职责条款的内容，同时说明无法确认当前版本；如果只找到V4草稿，应提示缺少有效依据。不能把“文字写得完整”当作正式生效，也不能把两个互相冲突的版本拼成一份新规定。
对于跨多份资料的问题，答案应标明每一部分来自哪里。例如，检验职责来自规范，某批次是否已完成检验则来自业务记录。后一类动态事实需要查询对应记录或系统；一份静态规范不能证明现场工作已经完成。
RAG和微调有什么区别？
RAG主要改变回答时能获取的外部依据；微调通过进一步训练改变模型参数，使它更适应特定任务或表达方式。两者可以组合，不能简单理解为只能二选一。AWS的RAG与微调对比也说明了这种组合方式。
| 问题 | RAG侧重解决什么 | 微调侧重解决什么 |
|---|---|---|
| 规范改版后，怎样引用新内容？ | 更新资料与索引，检索时应用版本和生效条件。 | 单靠已有参数无法保证及时反映新版本；仍可能需要外部检索。 |
| 回答要使用固定格式或完成特定任务 | 可先通过提示词、输出约束和示例组织答案。 | 用合适训练样本改善特定行为或任务表现，效果仍需评估。 |
| 需要显示来源，并按用户权限提供内容 | 通过检索记录、来源映射和权限控制实现。 | 参数中的知识本身不提供逐条来源或当前文档权限机制。 |
在P-17示例中，核心需求是读取已生效的规范，因此先解决资料管理与检索更直接。若证据已经完整送到模型，但它持续不能按要求提取职责或输出结构，再评估提示设计、模型能力乃至微调。把旧规范拿去训练，不能代替更新当前知识库。
RAG答错了，怎样区分检索问题和生成问题？
应先看模型实际收到了哪些证据，再检查它如何使用证据。只保存最终问答，往往无法解释错误发生在哪一段。可在授权范围内保留查询对象、过滤条件、候选片段ID、最终上下文、模型与提示版本及答案，以便复现；记录和引用本身也应遵守访问权限。
如果知识库本身缺少有效资料，应先向文档负责人核实并补充来源，而不是反复调整检索参数。“扩大检索范围”也仍然限于当前用户有权访问、对象适用且版本符合查询时间的内容，不能通过取消这些条件换取一个看似完整的答案。
| 观察到的现象 | 首先检查什么 | 对应处理 |
|---|---|---|
| 原规范有答案，索引中没有 | 导入是否遗漏，解析是否丢失表格或条款 | 修复解析与索引更新，确认原文能够被检索。 |
| 索引有答案，但检索结果是P-18或旧版 | 对象识别、版本字段、关键词和语义匹配 | 修正过滤与检索策略，再检查候选排序。 |
| 检索结果有正确条款，最终上下文却没有 | 重排序、去重、截断或上下文长度处理 | 保留回答必需的证据，减少无关片段占用。 |
| 模型已收到V3，但回答写成V2或改了责任人 | 生成阶段是否混淆证据、忽略约束 | 检查上下文组织、提示与模型表现，验证结论和引用一致。 |
| 现有资料没有当前答案，模型仍给出确定结论 | 缺证据时的处理逻辑 | 要求说明缺口、补问或转人工确认，不能用相似条款填空。 |
工业RAG怎样评估，才能知道是否可用？
先建立来自实际任务的问题集。每个问题记录用户角色、适用对象与时间、应命中的原文，以及答案必须包含的要点。除普通问题外，还应包含相似零件号、新旧版本并存、跨表格查询、缺少对象、没有答案和无权访问等情况。由熟悉业务的人员确认预期结果，不能仅用系统自己生成的问题和答案自证效果。
检索和回答应分别评价。微软的RAG评估文档区分了文档检索、依据一致性、相关性与回答完整度。落到工业问答，可以分别检查：
- 证据是否找全：必需条款是否进入最终上下文，正确对象与有效版本是否保留。
- 结论是否忠于资料：有没有改写责任人、条件或数值；原文存在错误时，忠于原文也不等于业务事实正确。
- 问题是否答全：P-17示例同时询问责任人和版本，答对其中一项仍未完成任务。
- 出处与权限是否正确：结论能否定位原文，无权用户能否从回答、引用或缓存中获取受限内容。
- 缺证据时是否恰当处理：能否说明缺失条件，避免编出一条看似合理的企业规定。
总体正确率之外，应单列错型号、错版本、越权和关键条件遗漏，避免大量简单题掩盖这些错误。自动评估可以帮助批量筛查，但工业术语、表格关系及关键条款仍需人工抽核；响应时间和使用成本则应在答案达到要求后一起衡量。
修改分块、检索策略、模型或资料版本后，要用保留的问题集回归验证。RAG的价值，在于把“找资料、判断适用范围、整理答案、回查原文”连接起来。它能否在工业场景中可靠使用，取决于这条过程是否完整可查，而不是知识库里上传了多少文件。
参考资料
- Lewis等：Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks，2020年论文，摘要与方法部分。
- Microsoft：RAG preparation phase，文档结构、分块上下文与测试资料准备。
- Microsoft：Hybrid search using vectors and full-text search in Azure AI Search，混合检索机制。
- Microsoft：Document-level access control in Azure AI Search，文档权限与查询过滤机制。
- AWS：Comparing Retrieval Augmented Generation and fine-tuning，两种方法的职责与组合。
- Microsoft：Retrieval-Augmented Generation (RAG) evaluators，检索与答案评价维度。
评论留言
暂时没有留言！