企业知识库:RAG、LLM Wiki、Ontology 怎么选

本文拆解企业知识库项目中 RAG、LLM Wiki、Ontology 三种技术的本质定位与落地边界。核心结论:三者并非升级替代关系,而是按业务痛点分工协作——RAG 负责检索依据,LLM Wiki 负责知识沉淀与维护,Ontology 负责将知识与具体业务对象精准映射。选型时应先明确 AI 需完成的任务层级,再按需叠加架构,避免盲目堆砌技术。


一、RAG:让大模型”查阅资料后回答”

本质定义

白话定义:让大模型开口回答前,先去翻一遍你给的专属参考资料。

知识库构建三步

docs = load("售后规则/*.md")
chunks = split(docs, size=512, overlap=50)
build_index.py

把长文档拆成语义完整的小片段,转换为向量并建立索引。

一次完整的 RAG 问答流程

用户问:“这笔订单能退款吗?”

  1. 系统按语义召回 Top-K 片段(相似度 0.92 / 0.71 / 0.64),非关键词匹配
  2. 将问题与参考内容一并送入大模型,组织成通顺回答
  3. 引用可直链回原文位置(如《售后规则v2》第53.2条《特殊商品售后》)

三大优势(均围绕「有据可依」)

  • 回答有明确资料支撑,大幅降低幻觉/编造概率
  • 引用可回溯,方便核对约束条件与规则版本
  • 答错了也能追溯到具体错位句子
  • 强调”没有资料支撑就不硬编”

什么时候单用 RAG 够用?

适用于项目起步阶段:

  • 公司内部制度问答(报销/考勤/权限流程)
  • 产品手册自助查询
  • 客服一线快速查规则

先把”查得准、答得有出处”跑通,基本不会走偏。注意:此处停留在”查规则”,尚未触及”判这一单”。

认知误区与天花板

能找到规则条文 ≠ 能判断具体业务问题。退款规则写得再详细,也不会自动告诉 AI”用户指的是哪一笔订单”。若未对接订单系统,AI 只能复述条例,后续的订单核对、状态校验、资格判断仍须人工完成。此数据缺口靠堆文档或换昂贵大模型无法弥补。


二、LLM Wiki:解决”资料越管越乱”

引入背景

第二个核心难题:资料只增不减,越管越乱。RAG 落地后,团队常发现同一条售后规则在库里存放多份(产品部手册 V1、运营部培训课件 V3、旧版工单等)。

污染后果

新旧说法打架,检索被污染,答案随之出错。例如用户问”多久能退款?“,可能同时命中 v1 的”7天无理由”与 v3 的”15天无理由”,系统难以甄别,效率低且易给错答案。

LLM Wiki 如何处理

输入新资料后,按约定规范自动提取核心要点,归类至对应主题词条,并建立内部关联链接。冲突处理:新旧说法矛盾时,标注不同说法及各自来源,留待人工核对确认,不代决策。

结构与维护收益

  • 主题页互相关联(如”退款条件”↔“特殊商品售后”)
  • 每条结论可追溯原始文档
  • 规则更新时仅需修改对应主题页,无需重梳全库
  • 最终形成一套可持续迭代维护的结构化知识库,成果不再散落单次对话,可用于个人沉淀、团队复盘与产品知识体系积累

风险提示

AI 整理的内容并非 100% 准确。若初次提取出现理解偏差,后续会反复……


三、Ontology:知识与业务对象的精准映射

注:转录稿在此处截断,以下内容基于已有材料整理。

  • Ontology 负责将知识与具体业务对象精准映射,解决跨多套业务系统对接数据时不可回避的结构化对齐问题。
  • Ontology 的定义:定义概念与其之间的关系。

四、三者定位对照表

技术解决的问题本质定位典型适用阶段
RAG大模型缺乏专属资料;幻觉与无据可查检索依据项目起步,先跑通”查得准、答得有出处”
LLM Wiki知识越积越乱,多处存储导致冲突知识沉淀与维护RAG 落地后发现资料污染后的治理升级
Ontology知识无法与具体业务对象精准对应知识-业务对象映射需要跨系统对接、做业务判断的深水区

五、选型方法论

面试者常见的浅层回答是”RAG 用于问答""Ontology 定义概念与关系”,但经不起连环追问。正确的决策路径:

  1. 先想清楚 AI 要完成哪件事

    • 只是查规则 → RAG 足够
    • 还要持续维护和更新知识 → 引入 LLM Wiki
    • 还要结合具体业务对象做判断 → 引入 Ontology
  2. 再按需叠加架构,避免盲目堆砌技术


六、核心金句

  • “能找到规则条文 ≠ 能判断具体业务问题”
  • “答错了也能追溯到具体错位句子,没有资料支撑就不硬编”
  • “三者并非升级替代关系,而是按业务痛点分工协作”
  • “选型时应先明确 AI 需完成的任务层级,再按需叠加架构”

相关笔记