大模型应用开发 / 系统课时
RAG 适用场景
RAG 适用场景
并不是所有问答系统都需要 RAG。本课将用五类常见应用判断 RAG 的价值:当知识量大、更新频繁、需要引用来源或受权限控制时,RAG 往往比把全部知识写进提示词更合适。
学习目标
- 识别适合使用 RAG 的业务特征
- 理解五类典型场景的检索目标
- 能区分 RAG、普通搜索与模型直接回答的边界
判断一个需求是否适合 RAG
适合 RAG 的需求通常同时具备几个特征:知识分散在外部文档中,内容会持续更新,用户问题难以提前穷举,而且答案需要引用依据。此时,把相关资料按问题动态检索出来,比每次传入全部文档更节省上下文。
如果问题只依赖固定规则、结构化查询或简单关键词匹配,RAG 未必是首选。订单金额、库存数量等精确数据应直接查询业务数据库;明确的菜单导航或标题搜索,传统搜索通常更稳定。
企业知识库:统一访问分散资料
企业知识库会把制度、流程、产品手册、项目文档和会议纪要统一纳入检索。用户可以用自然语言提问,系统返回相关片段、答案和来源链接,减少在多个目录与系统之间反复查找。
这个场景的关键不是“能聊天”,而是权限和时效。检索前必须根据部门、岗位或项目过滤文档,避免越权召回;文档更新后也要及时重建索引,防止模型引用旧制度。
客服问答:提升标准问题处理效率
客服 RAG 适合回答产品使用、售后政策、计费规则和故障处理等高频问题。系统先从知识库找到标准说明,再生成符合当前问题语境的答复,并把复杂或低置信度问题转交人工。
这类系统应优先保证一致性和可追溯性。价格、退款条件和服务范围不能由模型自由发挥;当检索证据不足时,应返回澄清问题或人工入口,而不是生成看似完整但未经证实的答案。
文档助手与代码检索:理解长内容
文档助手面向合同、报告、论文或产品手册,常见任务包括摘要、跨章节问答、条款定位和差异比较。RAG 让系统只取与当前问题相关的章节,避免把整份长文档一次性塞入上下文。
代码检索则把函数、类、接口说明、提交记录和设计文档作为知识单元。它适合回答“某个字段在哪里赋值”“接口由哪些模块调用”等问题,但切分时要尽量保留符号、文件路径和调用关系,不能只按固定字符数机械截断。
内部搜索:从找页面到找答案
传统内部搜索主要返回链接列表,用户还要逐页阅读。加入 RAG 后,系统可以在搜索结果之上生成摘要,合并多个来源,并直接指出答案所在文件和段落。
两者并不是替代关系。关键词搜索擅长精确命中文件名、编号和专有名词,向量检索擅长语义相近的表达。企业内部搜索通常采用混合检索,再用重排序器把最相关结果放在前面。
场景选择速查
| 场景 | 主要知识源 | RAG 的核心价值 | 首要风险 |
|---|---|---|---|
| 企业知识库 | 制度、手册、项目文档 | 统一问答与来源引用 | 权限越界、内容过期 |
| 客服问答 | FAQ、政策、操作指南 | 稳定回答高频问题 | 错误承诺、低置信度误答 |
| 文档助手 | 合同、报告、论文 | 长文定位与跨段总结 | 切分破坏上下文 |
| 代码检索 | 源码、接口文档、提交记录 | 按语义查找实现关系 | 符号和路径信息丢失 |
| 内部搜索 | 多系统页面与文件 | 从结果列表提炼答案 | 混合检索排序不佳 |
这张表可以用来做第一轮判断,但最终方案仍要看数据更新频率、权限边界、答案容错率和延迟要求。高风险业务还需要人工审核、结构化查询或规则校验与 RAG 配合。
不适合直接使用 RAG 的情况
当答案必须精确到实时数值、需要执行交易、依赖复杂计算,或规则已经可以确定性判断时,不应只靠 RAG。RAG 可以帮助解释规则或找到操作文档,但最终结果应由数据库、业务服务或规则引擎给出。
当知识量很小且长期不变时,也可以直接写入系统提示词或使用普通 FAQ。引入向量数据库、索引更新和质量评测会增加维护成本,只有检索价值足够高时才值得建设完整链路。
本课总结
- RAG 最适合外部知识多、更新快、问题开放且需要来源依据的场景
- 企业知识库、客服、文档助手、代码检索和内部搜索的检索目标各不相同
- 实时精确数据和确定性规则应交给数据库或业务系统处理
下一课预告
下一课将进入 RAG 开发前的准备阶段,说明如何选择文档、设计切分粒度,并建立可用于验证检索质量的最小数据集。