知识资产评估
考察目标文档的格式、质量、更新周期以及是否重复，确定适合RAG的范围。
在给出答案之前，先搭建可信、可检索的知识结构。
RAG的做法是让语言模型在组织的文档中查找相关依据，并把这些依据关联到回答中。我们不只是收集文档，还会在业务流程中设计谁可以查看哪些信息，以及如何核实回答的依据。
LLM和RAG是KPS建议的应用场景。是否适用于实际业务、模型如何配置，我们会先用有限的数据，通过试点验证（PoC）加以确认。
从文档整理到权限与审核策略，一并设计。
采集与清洗流水线
采集文档和数据库内容，切分为合适的片段，并配置检索所需的元数据。
检索与问答体验
设计适合业务提问的检索方式、出处显示以及追问与反馈流程，并同步设计相应界面。
权限与审核策略
明确各用户的查阅范围、敏感信息的处理方式，以及需要限制回答和需要人工审核的环节。
资料越分散，找到答案所需的时间就越长。
如果您遇到这些情况
资料繁多，查找费时
梳理分散在各部门和各系统中的规章、手册和报告，使其能够按问题检索。
新旧文档混杂
以元数据管理文档的版本、编写时间和所属部门，并据此设定检索优先级。
回答的依据和查阅权限至关重要
与您一起评估如何在回答中标示参考文档，以及如何与现有权限结构对接。
先用小规模问题集验证，再扩展到正式运行。
聚焦问题和资料
先选出出现频率高、结果易于核对的业务问题和代表性文档。
验证检索质量
评估能否找到正确的文档、依据是否充分，以及哪些情况下应当限制回答。
接入业务界面
按照实际使用流程，实现提问、出处核对、反馈和人工审核。
确定更新和运行标准
将新文档入库、质量检查、使用记录审查和改进周期，细化为日常运行中的具体事项。
项目交付物
- 知识资产与用户问题类型分析
- 文档采集、清洗与更新机制
- 检索质量与回答依据评估标准
- 权限、限制与人工审核策略
- PoC界面与转入正式运行的建议
具体范围和交付物在前期沟通中确定。
这是建议应用场景，并非我们已实施的项目。我们实际完成的视频与数据分析项目，请见“视频AI与数据分析”页面。
查看视频AI与数据分析咨询前的常见问题
查看全部常见问题RAG的回答依据什么生成？
RAG会检索与问题相关的内部文档，并将检索到的内容作为上下文提供给语言模型，用于生成回答。
查看完整回答：RAG的回答依据什么生成？验证AI必须使用真实业务数据吗？
要确认是否适合业务，需要具有代表性的样本，但不必一开始就提供全部数据。
查看完整回答：验证AI必须使用真实业务数据吗？AI给出错误结果怎么办？
我们不会把AI的结果直接当作最终结果，而是根据业务的重要程度，设置出处标注、可信条件、例外标记和人工审核环节。
查看完整回答：AI给出错误结果怎么办？
只需几个经常重复出现的问题和几份代表性文档，就可以开始。
请告诉我们现有的运行环境和希望改进的业务，我们会与您一起梳理从哪里开始。