知识增强总览

很多 AI 项目一开始会把注意力都放在模型上，但只要一进业务，很快就会遇到一个绕不过去的问题：

模型并不知道你的私有知识，也不保证知道最新事实。

所以知识增强这一层真正要解决的，从来都不是“模型够不够大”，而是：

怎么把外部资料稳定、可控地带进回答流程。

很多项目最后卡住的地方，不在模型接口本身，而在检索链路设计得够不够稳。

1. 这一层到底在解决什么问题

知识增强层主要解决 3 类问题：

1. 模型怎么接触到私有知识和外部资料
2. 资料很多时，怎么先找回真正相关的部分
3. 找回来的内容，怎么再喂回模型生成答案

这条线没处理好，后面很容易出现这些现象：

1. 模型回答听起来很像，但细节经常不对
2. 明明知识库里有答案，却总是没被带进去
3. 召回了很多内容，但最终还是答得不准

所以这一层要看的，不只是几个名词，而是一条完整主线：

文档怎么准备、怎么切、怎么检索、怎么排序、怎么回灌给模型。

2. 这一层主要会看哪些词

这里重点整理的是：

1. Chunk
2. Embedding
3. Vector DB
4. Retriever
5. Reranker
6. RAG

这些词单独看都不算难，但真正难的是把它们放回一条链路里理解清楚。

3. 把整条主线看清楚

flowchart LR
    A[原始文档] --> B[清洗和切分]
    B --> C[Embedding 向量化]
    C --> D[写入 Vector DB]
    E[用户问题] --> F[Retriever 召回候选]
    F --> G[Reranker 重排结果]
    G --> H[拼接上下文]
    H --> I[RAG 生成答案]

这条线里最值得抓住的是两个事实：

1. 模型回答只是最后一段
2. 前面检索链路的质量，往往直接决定最后这段答得好不好

4. 🌟 为什么很多项目的问题其实不在模型，而在检索链路

因为在知识库问答这类场景里，模型通常不是第一个出问题的环节。

真正更常见的问题往往是：

1. 文档切得不合理
2. 元数据不完整
3. 召回不够准
4. 相关内容没有排到前面
5. 上下文拼接太乱

这时候你会感觉“模型答得不行”，但往回拆链路就会发现：

模型拿到的材料本身就不够好。

所以这部分内容一定不能只记定义，而要记住每一层在链路里的职责和边界。

5. 入口

这一部分先看：

• Embedding、Chunk、Vector DB、Retriever、Reranker 与 RAG

这一篇会把“文档准备 -> 检索 -> 重排 -> 生成”这条主线串起来。