服务 · RAG知识系统
RAG知识系统
将企业文档和数据转化为真正可信赖的答案：100%来源引用、权限感知检索，以及可通过评估基准量化的检索质量。
DEFINITION · 什么是 RAG
什么是 RAG 知识系统？
RAG 知识系统（检索增强生成）是这样一种架构：大语言模型在查询时先从您自己的文档语料中检索相关段落，再据此生成扎根于来源的回答。它的意义不在于让模型更聪明——而在于让回答可被核实：每一条结论都附带精确到文档 / 页面 / 段落的句级引用，检索继承您现有的 AD/SSO 权限，质量用检索召回率、引用准确率和回答忠实度等指标量化，增量索引则保障数据新鲜度。简而言之，RAG 用可审计的知识取代了模型的记忆。
先检索，后生成
模型不靠训练时记下的内容作答——而是在每次查询时从您的语料中检索最相关的段落，让回答扎根于来源。更新知识只需重新索引，无需重新训练。
回答附带引用
每一条结论都可追溯到具体的文档、页面和段落，可打开核实。当没有可靠依据时，系统会如实说明，而非用听起来合理的文字填补空白。
内置权限与隔离
检索层应用您现有的访问控制，确保用户只能检索到本已有权查看的内容；数据可保留在您的 VPC 或本地，引入 AI 不会新增任何暴露面。
质量用数字来验收
针对与您领域专家共建的黄金评估集，召回率、引用准确率和回答忠实度将「准不准」化为可量化的数字，让每次调优都有基准支撑，而非凭感觉。
COMPARISON · RAG vs 通用 LLM / 关键词搜索
RAG 与直接问 LLM 或关键词搜索有何不同？
问通用 LLM，你会得到一个听起来对、却无从核实的答案；用关键词搜索，你会得到一堆需要自己逐篇阅读的链接。RAG 知识系统介于两者之间，又超越两者：它用语义检索找到正确的段落，再让模型组织出一个带引用、可审计的答案。下表逐一对比 Tenten 交付的 RAG 与这些替代方案。
通用 LLM / 关键词搜索 / 仅微调
RAG 知识系统（由 Tenten 交付）
来源 / 可追溯性
通用 LLM 不附带任何引用；关键词搜索返回链接，答案还得自己拼凑
每一条结论都附带文档 / 页面 / 段落的引用，可打开核实
幻觉控制
模型用听起来合理的文字填补空白，自信满满且难以察觉
回答受检索到的来源约束；没有可靠依据时明确表示「未找到」
权限感知
通用模型和大多数关键词搜索对权限无感知，会暴露用户不该看到的内容
检索继承现有 AD/SSO/权限组——用户只能检索到本有权查看的文档
新鲜度 / 更新
模型知识冻结在训练截止时点；更新意味着昂贵、缓慢的重新训练或微调
与来源系统增量同步；过期版本被降权或重新索引——快速且低成本
可量化的质量
好坏全凭主观；没有一致的指标来追踪退步或改进
黄金评估集量化召回率 / 引用准确率 / 回答忠实度，可跨迭代对比
多格式 / 表格解析
关键词搜索难以应对扫描件和表格；通用模型会打乱条款编号和列结构
对 PDF / 扫描件 / Excel / 长合同进行结构化解析，保留条款编号和表格完整性
部署 / 数据隔离
公共 API 将敏感文档传出您的边界；微调则把数据固化进模型权重
可部署在您的 VPC 或本地；数据永不离开您的边界，满足 SOC 2 / GDPR
答案无法追溯，就不会有人信任
企业RAG的真正障碍不在于模型无法生成答案——而在于没有人信任它生成的答案。合同、SOP、项目记录和支持工单散落在SharePoint、Confluence、Google Drive、工单系统和邮件附件中，版本混乱、权限交叉。当系统给出答案却说不清来自哪份文件、哪页、哪个版本时，法务、审计和业务团队就会回退到人工查找——项目卡在概念验证阶段，无法推进。
Tenten AI 以FDE方式驻场部署工程师，将RAG作为一套真正可以签字背书的检索系统交付，而非演示用的聊天机器人。每个答案精确到文档、页面和段落的句级引用——点击即可核实来源。检索层复用您现有的访问控制（AD/SSO/权限组），确保用户只能检索到其本已有权查看的内容。AI永远不会成为绕过权限的后门。
最重要的是，质量可量化。从第一天起，我们就与您的领域专家共同构建黄金评估集，并追踪每次变更对检索召回率、引用准确率和回答忠实度的影响。通过增量索引和来源同步保障数据新鲜度——过期内容会被标记或降权——让「这个答案还有效吗」成为一个可监控的数字，而非事后才收到的投诉。
核心能力
01
100%句级引用
每个答案均映射到具体文档、页面和段落，用户一键即可展开并核实。当没有可靠来源时，系统会明确显示「未找到依据」，而非编造一个。
02
权限感知检索
复用您现有的AD/SSO/权限组，在检索层和回答层均执行访问控制，确保用户只能获取其本已有权查看的文档——AI绝不绕过您的权限体系。
03
可量化的检索质量
我们与您的领域专家共同构建黄金评估集，持续追踪检索召回率、引用准确率和回答忠实度，确保每个调优决策都有基准数字支撑，而非依赖感觉。
04
数据新鲜度与增量索引
我们与来源系统（SharePoint、Confluence、Drive、工单、合同库）进行增量同步——过期版本会被标记、降权或重新索引，确保答案永不引用已失效的内容。
05
多格式与表格解析
支持PDF、扫描文档、Word、Excel和长合同，结构化解析保留条款编号、表格列和章节层级——检索可精确定位至「第X节、第Y条」。
06
私有化部署与数据隔离
可部署在您的VPC或本地，支持选择Anthropic、OpenAI或本地开源模型。数据永不离开您的边界，满足SOC 2、GDPR和内部审计要求。
应用场景
法律合同检索
法务和销售团队即时查询数千份合同中的自动续约条款、责任上限和数据保护义务——每个答案精确引用合同段落，让谈判和尽职调查无需再人工翻页查找。
制造业SOP与设备手册
产线操作人员用自然语言查询机器故障排除、维护周期和安全条款；系统从SOP、设备手册和MES工单历史中检索，并精确引用作业指导书的版本。
客户支持知识库
支持人员从历史工单、产品文档和FAQ中检索有来源依据的答案，缩短首次响应时间，同时确保每条回复与最新政策保持一致。
金融合规KYC/AML查询
合规团队查询内部政策、监管通知和操作规程，权限控制完整（不同级别看到不同文档），每次查询和引用均有日志记录供审计追溯。
项目知识与交接
顾问和工程团队查询历史项目记录、决策文档和会议成果，让新成员快速了解背景——机构知识不会随离职员工一同流失。
交付节奏
第1周
数据盘点与评估基线
梳理来源系统、权限模型和文档格式，然后与您的领域专家共同构建黄金评估集——在建立任何索引之前，先定义「正确」的标准。
第2-3周
索引、权限与检索管道
搭建解析和增量索引管道，接入现有访问控制，实现带来源引用的检索和回答，并针对评估集产出首个基准结果。
第4-5周
调优与试点
针对评估指标迭代分块策略、排序和提示词，融入内部试点反馈，持续提升引用准确率和回答忠实度。
第6周
上线与移交
完成私有化部署、监控看板和数据新鲜度告警，移交评估流程和运维文档，让您的团队能够自主持续迭代。
100%
答案附带引用
6周
投入生产
SOC 2 / GDPR
合规部署
常见问题
如何防止答案引用过期或失效的文档？
我们与来源系统进行增量同步，文档更新或被替代时，旧版本会重新索引、降权或标记为无效，不再出现在检索结果中。数据新鲜度作为指标进行监控，并配置告警——「这个答案还有效吗」成为您主动追踪的数字，而非在收到投诉后才发现的问题。
权限如何控制？员工会看到不该看的内容吗？
不会。系统复用您现有的AD/SSO和权限组，在检索层和回答层均执行访问控制，确保用户只能检索到其本已有权查看的文档。我们绝不为了RAG而建立更宽松的权限模型，这确保AI不会成为数据泄露的后门。
如何证明检索准确，而非只是听起来合理？
从第一天起，我们就与您的领域专家共同构建黄金评估集，并用检索召回率、引用准确率和回答忠实度量化每次变更。准确性体现为基准数字，每次迭代的改进或退步一目了然——是量化的，而非猜测的。
我们的合同和内部文件很敏感。数据会离开我们的环境吗？
可以部署在您的VPC或本地，数据永不离开您的边界。您可以选择模型——Anthropic、OpenAI或本地开源选项——根据合规需求决定，设计满足SOC 2和GDPR要求，同时记录查询和引用供内部审计。
能处理扫描PDF和复杂表格吗？
可以。我们的解析管道处理PDF、扫描文档、Word和Excel，同时保留条款编号、表格列和章节层级，检索可精确定位至「第X节、第Y条」——尤其适用于长合同和技术手册。
为什么是6周？这与典型的概念验证有何不同？
因为我们以FDE方式驻场部署工程师，并从第一周起就以可签字背书的目标为准绳——在开始构建之前先定义评估标准，所以我们不会陷入一个没有指标的演示。6周后您得到的是一套有引用、有权限、有基准、有生产运维的系统——而非一个专门在会议上展示的聊天窗口。
KNOWLEDGE BASE · 延伸阅读
RAG 知识系统知识库
我们在此汇集了企业 RAG 的设计取舍——从 Tenten AI 的第一手交付经验，到定义这一领域的原创研究和官方文档，助您建立自己的判断框架。
Tenten AI 白皮书与观点
INSIGHTS · LATEST
企业AI与交付的最新洞察
来自 Tenten AI 交付一线的第一手观察与方法论。
