前言最近在测试多个大语言模型LLM时我尝试提出一些比较简单的问题。例如- 某家公司主要经营什么业务- 某个行业有哪些代表性企业- 某类产品有哪些生产厂家模型通常能够快速生成一份比较完整的回答。很多人会认为这是因为模型知道这些企业。实际上从技术角度来看事情并没有这么简单。---## 大模型为什么能够回答企业问题目前大模型获取企业信息主要有几种来源。例如- 训练阶段已经包含的公开知识- 基于RAGRetrieval-Augmented Generation的实时检索- 外部搜索接口- 企业私有知识库。因此当模型回答一家企业时并不是简单地查询一个网页而是可能综合多个公开信息来源进行组织。---## RAG真正解决的是什么问题很多AI应用已经采用RAG架构。一个典型流程通常包括① 用户提出问题② 检索系统召回相关文档③ 对文档进行排序Ranking④ 将结果作为上下文输入LLM⑤ LLM生成最终回答。整个过程中大模型真正依赖的是**检索结果的质量。**如果检索阶段得到的信息存在大量重复、冲突或者描述不一致那么最终生成内容也可能受到影响。---## 为什么公开数据质量会影响回答假设一家企业拥有官方网站行业平台百科资料产品说明技术文章新闻资讯。如果这些公开数据之间表达一致那么Embedding之后它们通常能够形成更加稳定的语义关联。反之如果官网介绍A行业平台介绍B新闻稿介绍C产品名称长期不统一那么语义召回阶段可能会出现更多噪声Noise。这也是很多RAG实践中经常讨论的数据质量问题。---## RAG并不仅仅依赖Embedding很多开发者容易把注意力放在Embedding模型上。实际上一个RAG系统通常还受到很多因素影响例如- Chunk切分方式- Metadata设计- 向量数据库召回策略- Re-ranking- Prompt模板- Context长度。除此之外知识本身是否持续维护同样会影响最终效果。因此在很多企业知识库项目中数据治理Data Governance也是非常重要的一环。---## 一点思考很多人讨论大模型时更关注模型参数或者推理能力。实际上对于大量RAG应用来说真正影响回答质量的不仅是模型能力。还有知识组织方式文档质量数据一致性上下文构建。这些因素共同决定了最终生成内容的稳定性。随着企业知识库和Agent应用不断增加如何持续维护高质量知识也会成为越来越重要的话题。---## 总结RAG解决的是如何找到知识的问题。LLM解决的是如何理解知识的问题。而知识本身如何组织、如何维护、如何持续更新则决定了整个系统能够输出怎样的结果。对于开发企业知识库、Agent以及RAG应用的开发者来说这部分工作同样值得投入更多关注。