很多企业建设 AI 知识库后，会遇到一种更隐蔽的问题：资料找到了，答案却依然不可靠。检索结果看起来不少，引用来源也像模像样，但 AI 可能把旧方案当成现行方案，把其他项目的规则套到当前客户，或者抓住了一段相关文字，却忽略了真正决定结论的附件。

第五篇讲到，记忆让企业智能体能够接着做。接下来还要解决一个关键问题：面对知识库、项目记忆、业务系统和当前对话中的大量信息，智能体究竟应该把什么放进这一次任务的上下文？

继续看前面的客户项目。客户第一次沟通时，希望建设企业知识库；第二次沟通又增加了报告生成和流程审批，并明确要求私有化部署。几周后，业务人员让 AI 更新项目方案。

知识库检索出了三份文件：最早的需求记录、上一版项目方案和最新会议纪要。三份资料都与客户高度相关。如果系统只按关键词相似度排序，旧方案很可能排在最前面。AI 随后写出一份语言流畅、结构完整，却遗漏最新需求的方案。

这里的问题不在于“没找到”，而在于“没判断”。企业任务需要的不只是相关信息，还要判断它是否最新、是否适用于当前项目、是否经过确认，以及能不能支撑眼前这个结论。要理解这层差别，首先要看看这些资料最终被放到了哪里。

大模型每次处理任务，都依赖一个有限的上下文窗口。可以把它理解为 AI 当前的工作台：用户目标、任务状态、检索资料、历史决定和工具结果，都要在这张工作台上被同时理解。

工作台上放得太少，AI 会缺少关键依据；放得太多，旧信息、重复内容和无关材料又会挤占注意力。把整个知识库一次性塞进去，既增加成本和延迟，也可能让真正重要的信息被淹没。

因此，企业需要做“上下文工程”：围绕当前任务，主动选择、组织、压缩和更新模型真正需要的信息。知识库负责存放资料，上下文工程负责决定这一次该拿哪些资料来工作。接下来的关键，就是建立一套选择标准。

第一道是相关性。它是否直接回答当前问题，还是只是出现了相同关键词？“私有化部署”可能出现在产品介绍、历史方案和客户确认记录中，三者作用并不相同。

第二道是时效性。同一需求存在多个版本时，最新记录通常应获得更高优先级；但如果任务是复盘历史过程，旧版本又不能被简单删除。

第三道是权威性。正式制度、已审批方案和客户确认纪要，应高于个人草稿和未经确认的讨论。来源层级会直接影响结论可信度。

第四道是适用范围。集团制度、部门规则和项目约定可能同时存在。资料本身都正确，套错对象仍然会得出错误答案。

相关、最新、可信、适用，四个条件共同决定一段信息能不能成为当前任务的有效上下文。但有了标准还不够，系统还要把判断过程做成一条可以稳定运行的处理链。

一套更可靠的上下文处理流程，通常包括任务理解、查询改写、多源检索、结果重排、冲突检测、内容压缩和来源标注。

还是更新客户方案这个任务。系统先识别目标是“基于最新需求修改现有方案”，再把查询拆成客户最新需求、已确认技术边界、现行报价规则和方案模板。资料从知识库、项目记忆和业务系统中被分别检索出来，再按照相关性、时间、来源权威性和适用范围重新排序。

如果最新会议纪要与旧方案发生冲突，系统不应悄悄选一个，而要标出差异：客户已新增流程审批需求，旧方案尚未覆盖；部署方式已确认为私有化，早期记录仍写着待确认。随后，系统把有效信息压缩成清晰的任务上下文，并保留来源位置。

到了这一步，AI 拿到的才不再是一堆搜索结果，而是一组能够支持当前任务的证据。对于简单问题，一轮处理可能已经足够；客户方案这类复杂任务，往往还会在执行中暴露新的信息缺口。

传统 RAG 通常经历一次“提问—检索—生成”。对于简单问答，这条链路已经很有价值；但企业任务往往无法通过一次检索拿齐所有信息。

Agentic RAG 在检索过程中加入智能体的判断能力。智能体先分析任务，发现信息缺口，再决定去哪里查、换什么关键词、是否需要调用业务系统，以及当前证据是否足够。检索结果不完整时，它可以继续追问和补查，而不是带着缺口直接生成最终答案。

例如，系统已经找到客户最新需求，却没有查到私有化部署对应的交付周期。智能体可以继续检索产品能力说明和历史项目记录；如果仍然缺少确定依据，就把“交付周期待技术负责人确认”标记为阻塞项。

这让 RAG 从一次资料搜索，升级为围绕任务持续获取和验证证据的过程。智能体拥有了更主动的检索能力，也意味着来源、权限和操作边界必须同步收紧。

上下文决定 AI 这一次会依据什么做判断，因此它同样需要可信治理。每条关键信息应保留来源、时间和版本，让用户能够回到原文核对；不同来源出现冲突时，系统要展示差异并交给规则或人工处理。

权限也不能在检索阶段被绕过。员工无权查看的合同、财务数据和其他项目资料，不应因为语义相关就进入模型上下文。检索范围必须继承原系统的身份与访问控制，敏感字段还需要根据任务进行脱敏。

可信上下文的目标很清楚：AI 使用的每一项关键依据，都应该找得到来源、看得出新旧、辨得清范围，也符合当前用户的权限。

企业 AI 缺的不是更多资料，而是更合适的上下文。

知识库解决资料在哪里，记忆解决过去发生过什么，上下文工程解决这一次应该让 AI 看见什么。三者相互配合，企业智能体才能基于正确的信息继续完成任务。

判断一套企业 RAG 是否好用，也不能只看召回了多少文档。更重要的是：关键证据有没有被选中，旧版本有没有被识别，冲突有没有被提示，来源能不能追溯，权限有没有被守住。

对于企业智能体来说，真正稀缺的从来不是信息数量，而是在正确的时间，把正确的证据交给正确的任务。

下一篇，我们将继续讨论上下文越来越长之后的另一个现实问题：AI 如何压缩信息、保留关键线索，并避免在长任务中逐渐忘记最初目标。

如果您的企业正在建设内部知识库、智能问答系统或业务智能体，尤其遇到复杂文档处理、表格问答、图纸资料理解、多部门权限控制、答案来源追溯等问题，欢迎与广东省制造业协会人工智能与机器人专委会联系咨询。

图片来源于网络，如有侵权请联系删除

编辑：刘颖、叶健文、吴伟佳