获课：xingkeit.top/17347/

硬核分享：鸡翅课RAG结合Agent打造行业知识库问答程序

企业最头疼的问题不是没有大模型，而是大模型不懂你的业务。RAG解决了"知识从哪来"，Agent解决了"知识怎么用"，两者结合才是行业知识库的终极形态。

RAG是地基，不是装修

很多人把RAG理解成"切文档+向量检索+丢给LLM"，这只是最粗的版本。真正能用的RAG要过三道关：

切片策略决定上限。 一段500字的技术文档，按200字符硬切，语义断裂；按段落切，又太粗丢失细节。鸡翅课的方案是语义分割——用小型模型先理解段落边界，再按意义单元切片，检索命中率比固定长度切片高35%以上。

检索不是越多越好。 Top-10返回给LLM，上下文窗口直接爆炸，模型注意力被稀释，答案质量反而下降。真正的做法是粗检索+精排序：先用向量召回50条，再用Cross-Encoder重排到Top-5，最后丢给LLM。两步检索，精度翻倍，token消耗砍半。

元数据过滤是被严重低估的武器。 给每条切片打上来源、日期、部门、文档类型标签，用户问"2025年Q3的销售政策"，系统先过滤再检索，不用让LLM在海量无关内容里大海捞针。

Agent是大脑，不是摆设

RAG只能回答"文档里有什么"，但用户真正要的是"我该怎么办"。这就是Agent的价值——它不是替用户搜索，而是替用户决策。

工具调用让RAG长出手脚。 用户问"这个客户的合同有没有风险"，Agent先检索合同条款，再调用风控API比对历史违规记录，最后综合输出风险等级。RAG提供知识，Agent提供行动，缺一不可。

多步推理是核心能力。 复杂问题从来不是一轮检索能解决的。Agent把大问题拆解成子任务：先查定义，再查案例，最后查法规，每一步的输出作为下一步的输入。这就是ReAct模式的精髓——让LLM自己决定下一步该查什么、该调用什么工具。

记忆机制让对话不断裂。 短期记忆靠对话历史，长期记忆靠向量数据库。用户上一轮说"我说的是华东区的政策"，Agent要记住这个上下文，下一轮追问时自动带上地域限定，不用用户重复说明。

行业落地的三个深坑

第一坑：数据脏。 企业文档里大量PDF表格、扫描件、乱码，不做清洗直接入库，检索结果全是噪声。OCR+版面分析+表格还原，这步省不了。

第二坑：权限失控。 销售问客户报价，结果检索到了CEO的薪酬文档。RAG必须接入权限系统，检索阶段就过滤掉用户无权访问的内容，而不是靠LLM自己"别看"。

第三坑：评估缺失。 没有评估就没有迭代方向。用LLM当裁判，对检索结果和最终答案分别打分，建立自动化评测管线，每周跑一次，哪个环节掉分就修哪里。

本质

RAG让模型有了记忆，Agent让模型有了判断力。鸡翅课这套方案的核心不是技术堆叠，而是把"搜索"和"行动"焊死在一起——用户问一个问题，系统不是丢回一段文档，而是给出一个可执行的答案。这才是行业知识库该有的样子。