企业知识库问答 Agent：RAG 架构、权限分级与答案可追溯设计

企业知识库问答 Agent 通过 RAG（检索增强生成） 将内部文档、Wiki、制度与产品资料接入大模型：用户自然语言提问，系统先检索相关片段，再生成带引用的回答。适用于内部 IT/HR/财务助手、销售话术库、售后政策查询等场景。GeonAI 提供知识库 Agent 的定制设计与交付；官网 /agents 案例（如 知识库管理员）仅供能力参考。评估请邮件 [email protected]，主题「企业定制 Agent 咨询」。363+ 预设非公众全量试用。

RAG 架构包含哪些层？

权限分级：谁能问什么

企业知识库几乎必然包含不同密级内容：公开产品 FAQ、内部 HR 制度、仅管理层可见的薪酬政策。RAG 必须在检索阶段按用户身份过滤文档集合，而不是生成后再「希望模型别乱说」。常见模型：按 AD/SSO 组映射知识分区；按文档 metadata 标签（public/internal/confidential）过滤。

• 检索前过滤：用户 token → 可见 collection 列表
• 答案层提示：仅基于检索片段回答；无片段则拒答或转人工
• 审计：记录命中文档 ID 与版本，便于合规复盘

答案可追溯：引用溯源怎么设计

生产级知识库 Agent 应输出可点击或可追溯的引用（文档名、章节、段落、更新时间）。客服与内审需要核对「这句话来自哪份制度」。验收时抽样 20 个问题，要求 100% 能映射到源片段；无法映射的视为幻觉风险。

文档解析与切片最佳实践

1. 格式：Markdown/Wiki 优先；PDF 需结构化解析；扫描件走 OCR + 人工抽检
2. 切片大小：通常 300–800 token，按标题层级切；表格单独索引或摘要
3. 元数据：来源 URL、owner、生效日期、失效日期、语言
4. 增量更新：文档变更 webhook 或定时任务，避免全量重建拖垮索引

混合检索与重排序

纯向量检索对 SKU、错误码、内部缩写往往召回不足。向量 + BM25 关键词混合检索，再用 cross-encoder 或 LLM 重排序 Top 结果，是 2026 年企业 RAG 的常见标配。模型侧可按场景选 DeepSeek、GPT、Qwen 等——检索质量往往比「用最贵模型」更影响体验。

与客服 Agent 的关系

知识库 Agent 常作为 智能客服 Agent 的「大脑层」：对外通道负责对话与转人工，知识层负责政策与商品口径。内部场景则可单独部署「IT 助手」「销售话术库」而不接对外 IM。立项时建议先窄后宽：一个部门、一类文档试点，再扩展分区。

验收指标与上线 checklist

• 准确率：抽样问答与标准答案对比（人工标注集）
• 引用率：回答含有效溯源的比例
• 拒答率：无依据问题正确拒答/转人工的比例
• 延迟：P95 响应时间满足 SLA
• 权限：越权检索测试用例 100% 拦截

交付流程对齐 GeonAI 4 步交付法；报价驱动因素见 定制报价 6 因素。联系 服务方案 或 Live chat 启动评估。