01
RAG 知识库（文本型）
会搜索
处理对象：制度、手册、SOP、客服话术、产品资料——一切写成字的非结构化文本
- 擅长
- 覆盖广、建设快，答案能标出原文出处，员工敢信
- 答不好
- 算不了数。问「今年华东退货最多的三个型号」，它只会从某份月报里捞一句话，再编一个数
建设周期：2–4 周可跑通
企业 AI 知识库：查资料、查关系、查数字，三条路别选错
企业AI知识库不只有 RAG。按查什么分三类：查资料用 RAG 知识库（文本型），文档切片入库，提问时检索相关段落再让模型作答；查关系用知识图谱，把设备、客户、供应商的关联建成关系网；查数字用关系型知识库（智能问数），把问题翻成 SQL 直接查库算数。三者成本与准确边界完全不同，选错方向都是返工。
- 合作方式
- 按项目范围评估
- 交付周期
- 4 周起
按文档量、部署方式与集成深度确定范围。免费诊断后出具书面方案，写清工作量、里程碑与验收标准，再给费用。
揽明AI 团队从事 B2B 企业服务行业 19 年，累计服务企业 5000+。AI 不是新业务，是原来那套做法加了新工具。
它解决什么问题？
- 资料散在网盘、微信群、个人电脑和老师傅脑子里
- 新人上手靠人带，老人一走经验就断了
- 买了知识库产品，问三句答不上来一句
- 客服和售后每天回答同样的问题
三条技术路线：查资料、查关系、查数字
「做个知识库」这句话里，其实藏着三个完全不同的问题：查资料、查关系、查数字。它们的技术架构、成本量级、能做准的边界都不一样。选错路线的典型症状是——答得挺像，一到数字就不敢用；或者为了回答三五个问题，建了三个月图谱最后发现用不上。
02
知识图谱
会推理
处理对象：设备-部件-故障、产品-客户-供应商、条款-场景——本来就存在的关系
- 擅长
- 回答「谁跟谁有关系、影响到谁」，一条推理链能完整摊开给人看
- 答不好
- 建模靠人。实体和关系得领域专家一条条定，schema 设计错了返工比重做还贵
建设周期：1–3 个月起
03
关系型知识库（智能问数）
会算数
处理对象：订单、库存、财务、产能——本来就在 ERP、数据库、Excel 里的结构化数据
- 擅长
- 数字精确、实时、能下钻核对，同一个问题永远同一个答案
- 答不好
- 数据没治理、指标口径没定义时，它算得又快又错：库存周转率财务和生产各有一套算法，问出来就是两个数
建设周期：3–6 周（取决于数据干净程度）
差在哪：一张表看完
表格可左右滑动，对比三列
| 维度 | RAG 知识库 | 知识图谱 | 智能问数 |
|---|---|---|---|
| 数据长什么样 | 制度、手册、话术等文本 | 实体，以及它们之间的关联 | 订单、库存等结构化字段 |
| 怎么得到答案 | 检索相关段落，再让模型组织 | 沿关系多跳查询，路径可回溯 | 翻成 SQL 直接算，数据不出库 |
| 数字算得准吗 | 不准，只能说个大概 | 关系准，聚合统计弱 | 准，可下钻核对 |
| 典型问题 | 差旅报销标准是多少 | 这台设备的易损件谁供货最快 | 上季度华东区退货前三 |
| 建设周期 | 2–4 周 | 1–3 个月起 | 3–6 周 |
| 最容易被误用 | 拿来算数，答案很敢编 | 拿来答文档，成本高十倍 | 口径没定就上线，数越准越危险 |
怎么选：看问题长什么样
问「规定是什么、这一步怎么做」
→ RAG 知识库
问「谁跟谁有关系、会影响到谁」
→ 知识图谱
问「多少、几个、同比涨跌」
→ 智能问数
最常见的错
最常见的错，是拿 RAG 当统计工具。用户问「今年华东区销售额多少」，RAG 会从某份月报里捞出一句「华东区表现良好」，再编一个看着合理的数字——它不会告诉你这是编的。这类问题只能走智能问数。反过来，为了回答三五个查数问题去建知识图谱，投入产出比也很差。先分清问题类型，再决定建什么，这是知识库项目唯一不能省的一步。
怎么交付？
- 01
资料盘点
摸清有哪些文档、什么格式、谁能看，先定权限边界
- 02
资料解析
把 PDF、扫描件、Excel、图纸里的内容真正取出来，这一步决定后面有没有的做
- 03
数据清洗
去重、去噪、纠错、统一版本，把过期和冲突的文件剔出去
- 04
切片
按语义切分，表格与图纸单独处理，保留章节层级与原文位置
- 05
向量化与入库
选嵌入模型，建索引，保留原文溯源信息
- 06
检索调优
混合检索 + 重排，用 50 条真实问题反复调
- 07
试运行与验收
小范围试用两周，按召回率与命中率验收
- 08
移交与陪跑
交管理员手册与增量更新流程，30 天陪跑
效果怎么评测？
| 指标 | 怎么算 |
|---|---|
| 召回率 Top5 | 正确答案落在前 5 条检索结果的比例 |
| 答案命中率 | 50 条真实问题 × 2 名业务专家判定 |
| 无答案率 | 系统诚实回答「不知道」的比例，比胡编重要 |
| 平均响应时长 | 从提问到出答案的秒数 |
什么情况下不适合做
如果文档总量不到 50 份、且都结构规整，用现成的在线文档搜索就够，不必上 RAG。另外，如果你的核心诉求是「让 AI 替人做决策」，那需要的是工作流而不是知识库，两者不是一回事。
常见问题
知识库能私有化部署吗？
可以。模型、向量库、检索服务全部跑在自有服务器，数据不出内网；也支持混合模式。
多久能上线？
4 周起步。具体工期取决于三件事：一是资料解析与清洗的数据量，扫描件、图纸、老旧表格越多，这一步越慢；二是检索调优的轮次，用真实问题反复调到「问得准」为止；三是试运行的时间，让业务方真用两周再验收。资料规整、量不大的项目 4 周能上线，扫描件多、口径不统一的，6 周以上也常见。开工前我们会先做一次资料盘点，给出书面工期。
多少文档才值得做？
50 份资料以上才建议做。低于这个量，做一套规范的目录加搜索更快也更省。但 50 份只是下限，真正决定值不值的是「会不会被反复查」——一份放进去三年没人问的制度，进库只是噪声，还会稀释检索结果。所以我们盘点的第一步不是数数量，是标出哪些资料每周都会被人翻出来用。
怎么收费？
按项目范围评估——文档量、部署方式（公有云或私有化）、与现有系统的集成深度，三项决定工作量。免费诊断后出具书面方案，写清里程碑与验收标准，再给费用。
检索不准怎么办？
多数是切片粒度和重排没做好。我们会用真实问题做分层测试，定位是召回不到还是排不上来，分别处理。
后续文档更新谁维护？
交付时会给管理员手册与增量更新流程，日常更新由你们内部完成，复杂改动我们再介入。
RAG 和知识图谱有什么区别？
RAG 回答的是「资料里怎么写」，知识图谱回答的是「谁跟谁有关系」。前者把文档切片存进向量库，提问时检索最相关的几段交给模型；后者把实体和关系拆成三元组建成关系网，提问时沿关系多跳查询。查制度、话术、产品资料用 RAG 就够；查设备-部件-供应商这类关联，或者要一条能摊开给人看的推理链，才需要图谱。图谱建模成本高，非必需不建议上。
智能问数能直接接我们现有的 ERP 吗？
能，而且不需要把数据搬出来。智能问数是在数据库前加一层自然语言转 SQL，读写都留在原系统里做。前提是两件事：数据本身要能取（字段有含义、表有关联），指标口径要先定成唯一标准——同一个库存周转率，财务用销售额除以平均库存、生产用出库成本除以平均库存，算出来就是两个数。这两件不解决，接上 ERP 只会更快地算出错的数。