很多企业开始建设知识库时，第一反应是：选哪个大模型？接哪个平台？用哪个向量数据库？

这些问题固然重要，但在真实落地中，它们往往不是第一个卡点。

更常见的情况是，企业已经积累了大量资料，也已经接入了大模型，但系统回答效果并不稳定：

这时再去更换大模型，通常只能改善一部分问题。因为知识库的效果，不只取决于“最后谁来回答”，更取决于企业资料在进入系统之前，是否被正确处理、组织和检索。

一套能用起来的企业知识库，通常要先解决三个问题：

这三个问题对应的是企业知识库建设中的三层能力：文件处理、知识理解、检索生成。

在中山大学人工智能研究院智能软件研究中心团队的可信知识库方案中，也正是按照这三层来组织完整链路：底层负责把多类型资料处理成可管理、可索引的知识单元，中间层负责把不同模态和不同来源的知识对齐，顶层则负责权限过滤、召回重排、答案生成、来源追溯和反馈闭环。

企业资料很少是干净的纯文本，它可能是一份带有复杂表格和图片的PDF，也可能是一套Word制度文件、一批Excel台账、一组PPT培训材料、一段会议录音、一份设备说明视频，或者是一张工程图纸。

如果只是把这些文件直接上传到知识库，系统看似“读进去了”，但可用的信息可能已经丢了一半。

比如PDF文档，难点不只是把文字提取出来。很多企业PDF里有多栏排版、图表、扫描图片、脚注说明和跨页表格。简单抽文本，很容易造成段落顺序混乱、表格结构丢失、图片信息缺失。

再比如Excel和业务报表。表格里的信息依赖行列关系、字段含义、统计口径和权限范围。一个字段名在数据库里可能只是英文缩写，但在业务里对应的是“物料编码”“库存数量”“组织名称”或“生产日期”。如果不先做业务语义转换，模型就很容易答得看似合理、实际错位。

所以，文件处理层解决的是让企业原始资料变成可管理、可索引、可追溯的知识单元。

这一步做得越扎实，后面的检索和生成才越稳定。很多RAG系统答不准，并不是因为模型不够大，而是因为一开始进入系统的知识就是碎的、乱的、缺上下文的。

很多知识库项目会把文档切成若干文本块，再做向量化索引。

这个方法简单有效，但也很容易出问题：切得太碎，上下文丢失；切得太长，检索不准；只按字数切，章节结构、表格关系、图文关系都会被破坏。

企业知识有一个特点：很多答案不在某一句话里，而在一组关系里。

这要求知识库不只是“存文本”，而是要建立知识之间的结构关系。

知识理解层要解决的，就是让不同类型、不同来源、不同模态的资料能够对齐。

这样做的价值在于：用户提问时，系统不再只是找“语义相似的一段文字”，而是能在结构、来源、时间、权限和业务语义之间建立更稳定的匹配关系。

普通搜索解决的是“找得到”，企业知识库要解决的是“找得准、对得上、用得稳”。

当资料已经处理好，知识也组织好了，才进入用户能感受到的部分：检索生成。

这一层最容易被理解成“接一个大模型来回答问题”。但企业场景中，重要的不是回答得多流畅，而是回答是否可信可靠。

一个可用的企业知识库问答系统，至少要回答好几个问题：

这就需要一条完整的RAG Pipeline（检索增强生成管道）。

以典型企业知识库流程为例，知识入库阶段需要完成资料整理、解析、结构化、权限标签标注和业务侧校验；在线问答阶段需要进行问题识别、权限过滤、知识召回、重排、答案生成、来源展示和反馈修复。

这类系统的关键，是让它在企业可接受的边界内回答。

当任务从“问一句答一句”升级到“帮我完成一件事”，系统还需要进一步具备任务拆解、工具调用、多源检索和结果校验能力。

例如，自动比对多份资料、生成检测方案、整理项目材料、辅助报告撰写、根据内部知识形成决策建议等。

这时，知识库就不只是问答工具，而开始变成能够参与业务流程的智能体。

如果企业内部已经出现下面这些情况，通常就值得考虑建设一套知识库或智能体系统：

这些需求背后，本质上都不是单点模型能力问题，而是企业知识资产如何被处理、组织和调用的问题。

这篇是“可信知识库”系列的第一篇。

接下来，我们会围绕真实企业场景继续展开，尽量少讲空泛概念，多讲具体问题、技术做法和适用场景。

后续内容会包括：

刘守国 手机/微信：13533786006

李   丹 手机/微信：18565067696

《“具智AI”知识专栏》由广东省制造业协会人工智能与机器人专委会与中山大学智能软件研究中心联合打造，由中山大学等高校专家定期分享人工智能与机器人最前沿技术硬核知识。

图片来源于网络，如有侵权请联系删除

技术支持：何笑雨

编辑：刘颖、叶健文