企业级RAG的下一个门槛：从答得上到答得准、敢负责

RAG（检索增强生成）这个概念，两年前讲还需要科普，现在几乎每家供应商都会提。但我们在企业项目里观察到的现实是：demo 里跑得漂亮，生产环境里敢把答案直接发给客户的企业，还是少数。问题通常不在大模型，而在 RAG 这条链路本身。

第一道坎：检索回来的东西根本不是用户要问的

最常见的翻车现场是：用户问“保修期多久”，系统检索回来一堆产品介绍，答非所问。原因很简单——文档里的表达方式和用户提问的表达方式对不上。

我们给一家家电品牌做售后知识库时，把一万多份维修手册和客服话术喂进去，第一次测试准确率只有 52%。后来做了三件事才提上来：把客服历史工单里真实的高频问法整理成同义词库；给每个知识点打上适用范围标签；检索结果做重排，让和问题最相关的片段排到前面。改完准确率到 88%，但离“敢直接回复客户”还差得远。

第二道坎：答案有出处，但出处本身不权威

RAG 的价值在于“每句话都有引用”，但引用也有质量差别。引用了一份过期的产品参数，和引用官网最新页面，性质完全不同。

我们现在的做法是给知识库做分级：官网公开文档、合同条款这类经过审核的是一级来源，优先级最高；员工上传的培训资料是二级；论坛、聊天记录这类只能作为参考，绝不作为最终答案依据。同时给每条知识标了生效日期，过期自动降权。客户问“现在有什么优惠政策”，系统不会拿半年前的活动页面来答。

第三道坎：答错了怎么办，谁来兜底

再好的检索也有答错的时候，关键是答错之后的机制。我们在所有项目里都强制加了三层兜底：第一层是置信度阈值，低于阈值不硬答，直接转人工；第二层是敏感话题拦截，涉及价格承诺、法律条款的，统一话术引导人工；第三层是事后抽检，每周拉取低分对话复盘，把暴露出来的问题补回知识库。

有客户问过我们：加这些机制会不会让 AI 看起来“不聪明”？我们的回答是：企业客服的目标不是让 AI 显得聪明，是让客户不被错误答案激怒。宁可多转几次人工，也比把错误承诺发给客户强。

小结

RAG 的下一阶段，比拼的不是“能不能答”，而是“答得准、有依据、敢负责”。这三件事没有捷径，都藏在知识治理和工程细节里。AICN 平台的企业知识中台，正是围绕这三道坎来设计的，欢迎来演示环境里实际拷问它。