RAG 知识库搭建：让 AI 懂你的业务

RAG 工作流：

用户提问
   ↓
① 检索：从知识库中找到相关文档片段
   ↓
② 增强：把检索结果作为上下文注入 Prompt
   ↓
③ 生成：大模型基于真实文档生成回答

vs. 纯大模型回答：
  用户提问 → 大模型"脑补" → 可能幻觉 ❌

vs. RAG 回答：
  用户提问 → 检索真实文档 → 基于事实回答 ✅

把企业文档整理为 AI 可用的格式：

文档预处理清单：

1. 格式统一
   - PDF → 提取文本（用 KimiClaw 上传解析）
   - Word → 导出纯文本
   - 表格 → 转为 Markdown 表格
   - 图片中的文字 → OCR 提取

2. 质量清洗
   - 删除页眉页脚、水印
   - 修复断行和乱码
   - 统一术语（如"客户"/"用户"/"会员"选一个）
   - 补全缺失的上下文（表格需要标题行）

3. 结构化标注
   - 每个文档添加元数据：
     {来源, 版本, 更新日期, 分类标签}
   - 长文档按章节拆分，保留层级关系

文档切分直接影响检索效果。常见策略对比：

切分策略对比：

┌──────────────┬──────────┬──────────┬──────────┐
│ 策略         │ 切分粒度 │ 检索精度 │ 适用场景 │
├──────────────┼──────────┼──────────┼──────────┤
│ 固定长度     │ 粗       │ 中       │ 通用     │
│ 按段落       │ 中       │ 中高     │ 文档     │
│ 按语义       │ 细       │ 高       │ 专业知识 │
│ 按章节+段落  │ 灵活     │ 最高     │ 复杂文档 │
└──────────────┴──────────┴──────────┴──────────┘

推荐配置：
- 基础切分：500 tokens/块，重叠 50 tokens
- 进阶切分：按标题切分，每块不超过 800 tokens
- 关键参数：overlap（重叠）防止语义断裂

示例：
原文："3.2 退款政策 | 自购买日起7天内可申请退款，
需提供订单号和退款原因。超过7天不支持退款。"

切分后（带元数据）：
{
  content: "自购买日起7天内可申请退款...",
  metadata: {
    source: "用户手册v3.2",
    section: "3.2 退款政策",
    page: 15,
    updated: "2026-03-01"
  }
}

在 OpenClaw 中配置知识库：

OpenClaw 知识库配置：

1. 创建知识库
   名称：公司产品知识库
   描述：包含产品手册、FAQ、政策文档

2. 上传文档
   支持格式：PDF、DOCX、TXT、MD、CSV
   批量上传 → 自动切分 → 自动向量化

3. 选择 Embedding 模型
   推荐：
   - 中文为主：bge-large-zh-v1.5
   - 中英混合：m3e-base
   - 高精度：text-embedding-3-large

4. 配置向量数据库
   OpenClaw 内置 → 零配置
   自建部署 → 推荐 Milvus 或 Qdrant

默认检索往往不够精准，需要调优：

检索优化三板斧：

1️⃣ 混合检索（推荐）
   向量检索（语义相似）+ 关键词检索（精确匹配）
   权重：向量 0.7 + 关键词 0.3
   → 兼顾"意思相近"和"字面匹配"

2️⃣ 重排序
   初步检索 Top 20 → 用 Cross-Encoder 重排 → 取 Top 5
   → 精度提升 15-25%

3️⃣ 查询改写
   用户原始问题 → AI 扩展为多个检索词 → 合并结果
   
   示例：
   用户问："退款要多久"
   改写为：["退款处理时间", "退款到账周期", "退款流程时长"]

在 Agent 系统提示中明确 RAG 行为规则：

你是一个基于知识库的客服助手。回答规则：

1. 优先使用检索到的知识库内容回答
2. 如果知识库中有明确答案，直接引用并标注来源
3. 如果知识库内容不足以回答，明确告知用户
   "根据现有资料，我无法确认这一点，建议咨询___"
4. 绝不编造知识库中没有的信息
5. 引用格式：【来源：{文档名} - {章节名}】

回答模板：
📝 回答：___
📚 依据：【来源：___】
🔄 相关问题：___

用 50 个真实问题测试知识库效果：

评估指标：

1. 检索召回率：相关问题是否被检索到？
   目标：≥ 90%
   测试：50 个问题中，至少 45 个检索到正确文档

2. 回答准确率：生成的回答是否正确？
   目标：≥ 85%
   测试：人工评判 50 个回答的正确性

3. 引用准确率：标注的来源是否真实存在？
   目标：100%
   测试：每个引用都能追溯到原文

4. 拒答率：不确定时是否正确拒答？
   目标：该拒的都拒，不该拒的不拒

常见问题与修复：
- 召回率低 → 调整切分策略或增加 overlap
- 准确率低 → 优化 Prompt 或增加重排序
- 幻觉仍存在 → 加强"必须引用来源"的规则
- 拒答过多 → 扩充知识库覆盖面

企业级知识库架构：

📦 产品知识库 → 产品参数、使用指南、常见问题
📦 政策知识库 → 退款政策、隐私条款、合规要求
📦 运营知识库 → 活动规则、促销方案、价格体系
📦 技术知识库 → API 文档、故障排查、部署指南

路由策略：
1. 用户提问 → 意图识别
2. 路由到对应知识库检索
3. 跨库问题 → 多库并行检索 → 合并排序

优势：
- 每个库独立更新，互不影响
- 检索范围更精准，噪声更少
- 权限可控，不同角色访问不同库