企业 RAG 知识库怎么搭建：从分块到上线的 8 周路线图
企业上 AI 第一件事，往往是把内部文档变成 RAG 可检索的知识库。听起来简单，做起来 80% 的项目卡在「检索结果不够好」上。这是一份基于我们在 12 个客户项目里跑通的 8 周路线图。配套阅读：RAG vs 微调如何选。
路线图全景
| 周次 | 主题 | 关键产出 |
|---|---|---|
| 1-2 | 数据盘点 + 分块策略 | 文档清单 + 元数据 Schema |
| 3 | Embedding + 向量库选型 | 选型报告 + 测试集 |
| 4-5 | 混合检索 + 重排 | 召回 Pipeline + Top-N 评测 |
| 6 | 评测集 + 基线 | Hit@5 / MRR / Faithfulness 基线 |
| 7 | 权限 + 合规 | 行级权限 + 留痕审计 |
| 8 | 灰度 + 回归 | 5% → 100% 上线 |
一、数据梳理（最容易被低估）
- 来源清点：PDF / Word / Confluence / 飞书文档 / Notion / SharePoint / 邮件 / 工单
- 结构化预处理：表格独立保留、图片走 OCR + Caption、代码块独立 chunk
- 元数据 Schema：来源、作者、部门、时间、机密等级——这是后期权限与过滤的关键
- 清洗：去掉 footer / 水印 / 页码 / 重复段落
经验值：这一步在小项目占 30% 工时，在大企业占 50%+。
二、分块策略
| 策略 | 适用 | 典型 chunk size |
|---|---|---|
| 固定字数 | 纯文本、博客 | 300-500 字 |
| 按段落 | 规范的文档 | 动态 |
| 按章节 | 书籍、长报告 | 1000-2000 字 |
| 语义分块 | 合同、研报 | 动态 |
| 父子分块 | 结构清晰的 Wiki | 子 200 字 / 父 2000 字 |
常用组合：语义分块 + 父子分块。检索时召回子 chunk，生成时上下文给父 chunk。
三、Embedding 与向量库选型
Embedding 模型：
- 中文为主：BGE-M3 / GTE-large-zh / Conan-embedding
- 多语言：OpenAI text-embedding-3-large / Cohere multilingual
- 合规优先：阿里 GTE / 智源 BGE 国内私有部署
向量库：
- 百万级以内 → pgvector（PostgreSQL 扩展，运维简单）
- 千万级 → Qdrant / Weaviate
- 亿级 → Milvus
四、混合检索 + 重排（最大杠杆）
单纯向量召回的 Hit@5 通常 50-60%，加这套后能到 80-90%：
- 向量召回 Top 50
- BM25 关键词召回 Top 50
- 元数据过滤（时间 / 部门 / 权限）
- RRF 融合（Reciprocal Rank Fusion）取 Top 30
- Cross-Encoder 重排（bge-reranker / Cohere Rerank）出最终 Top 5
五、评测集与基线
没有 Eval Set 就不算项目结束。怎么建：
- 从历史工单、FAQ、内部问答 sample 100-200 条 Q-A 对
- 人工标注「正确文档片段」
- 跑基线：Hit@5（前 5 召回里是否有正确片段）/ MRR（正确片段的平均倒数排名）/ Faithfulness（生成答案是否忠实于上下文）
- 每次 Pipeline 改动，跑一次 Eval，看基线是否退化
六、权限、合规与留痕
- 向量库存的不是明文 → 仍要做行级 ACL，按用户 / 部门 / 项目过滤
- SSO 对接，每次查询带用户身份做权限校验
- 留痕：用户问题、召回片段、最终答案三件套保存，可被审计
- 金融 / 政企客户：模型私有化部署（见大模型在金融业的合规落地）
七、灰度与回归
千万别一次性上 100%。5% → 25% → 100% 三档：
- 每档跑 1 周
- 每档结束跑全量 Eval Set
- 主指标退化 → 立即回滚
- 失败案例进案例池，下版本必修
八、艾景特的工程化交付包
我们的智能体基础设施把上面所有事打包成开箱即用模块：分块库、Embedding 工厂、混合检索引擎、Eval 框架、权限层、灰度网关。客户只需要做第一步：数据盘点，剩下的我们 6 周交付。
常见问题
企业 RAG 知识库搭建大概要多久？
本文给出的是一份 8 周路线图：第 1-2 周数据盘点与分块，第 3 周 Embedding 与向量库选型，第 4-5 周混合检索与重排，第 6 周评测集与基线，第 7 周权限与合规，第 8 周灰度与回归上线。艾景特把这些环节打包成模块，客户只做数据盘点，剩下约 6 周交付。
RAG 项目最容易卡在哪一步？
多数项目卡在检索结果不够好。文中给出的最大杠杆是混合检索加重排：向量召回、BM25 关键词召回、元数据过滤、RRF 融合，再用 Cross-Encoder 重排出最终结果。此外数据梳理这一步常被低估，在大企业可占一半工时。
向量数据库该怎么选？
按数据规模选：百万级以内用 pgvector，它是 PostgreSQL 扩展，运维简单；千万级可用 Qdrant 或 Weaviate；亿级用 Milvus。Embedding 模型方面，中文为主可选 BGE 或 GTE，多语言可选 OpenAI 或 Cohere，合规优先则用国内私有部署。
RAG 知识库怎么做评测？
从历史工单、FAQ、内部问答里抽 100-200 条问答对作为 Eval Set，人工标注正确文档片段，再跑基线指标：Hit@5 看前五召回是否含正确片段，MRR 看正确片段的平均倒数排名，Faithfulness 看生成答案是否忠实于上下文。每次 Pipeline 改动都重跑一次。
金融或政企客户上 RAG 有什么特殊要求？
需要做行级权限，按用户、部门、项目过滤；对接 SSO，每次查询带用户身份校验；并把用户问题、召回片段、最终答案三件套留痕以备审计。金融政企客户通常还需要模型私有化部署。如需进一步了解可联系 [email protected]。