选型指南
品牌评测
据统计，企业员工平均每天需花费 2.5 小时查找知识，导致的效率损耗高达 30%。如何让海量知识从 "沉睡" 变为 "活用"？RAG 大模型知识库正以革命性的技术架构，为企业打开智能知识管理的新大门。
一、什么是RAG？
RAG（Retrieval-Augmented Generation，检索增强生成），RAG是一种 AI 框架，它将传统信息检索系统（例如数据库）的优势与生成式大语言模型 (LLM) 的功能结合在一起。LLM通过将这些额外的知识与自己的语言技能相结合，可以撰写更准确、更具时效性且更贴合具体需求的文字。
二、RAG的目的是什么？
检索：检索是RAG流程的第一步，从预先建立的知识库中检索与问题相关的信息。这一步的目的是为后续的生成过程提供有用的上下文信息和知识支撑。
增强：RAG中增强是将检索到的信息用作生成模型（即大语言模型）的上下文输入，以增强模型对特定问题的理解和回答能力。这一步的目的是将外部知识融入生成过程中，使生成的文本内容更加丰富、准确和符合用户需求。通过增强步骤，LLM模型能够充分利用外部知识库中的信息。
生成：生成是RAG流程的最后一步。这一步的目的是结合LLM生成符合用户需求的回答。生成器会利用检索到的信息作为上下文输入，并结合大语言模型来生成文本内容。
三、如何使用RAG呢？
1.数据准备与知识库构建
收集数据：收集汽车行业生产制造、市场销售、客服解答等场景的文档（如 PDF、Word、Excel 等）、网页信息及数据库数据，同时可接入企业内部业务系统数据，借助得助智能知识助手的多模态文档解析功能，支持批量处理多种格式文件，无需额外格式转换。
数据清洗：利用中关村科金知识助手的要素抽取技术（准确度≥90%），自动识别并去除数据中的噪声、重复项及无关信息，同时通过文档标签管理功能（可自动生成或手动调整标签），实现数据的精准分类与管理。
知识库构建：将清洗后的数据分割为文本片段（chunks），通过集成的文本嵌入模型（如 GLM）进行向量化处理，生成语义向量。
利用向量数据库存储能力（支持 FAISS、Milvus 等），将向量数据有序存储，结合中关村科金的知识库自动搭建功能，无需人工整理即可快速构建面向汽车行业的专属 AI 知识库，实现知识源规模扩大 10 倍 +。
2.检索模块设计
问题向量化：当用户输入查询时，通过知识助手的自然语言理解技术，使用与知识库构建相同的文本嵌入模型，将问题转换为向量表示，确保语义一致性。
相似度检索：在向量数据库中，基于得助智能优化的余弦相似度计算算法，快速检索与问题向量最相似的知识库片段，检索效率提升≥50%，3 秒内即可获取相关知识。
结果排序：结合知识助手的智能排序算法，根据相似度得分、文档时效性、业务相关性等维度对检索结果进行排序，优先推荐最相关的知识片段，支持长尾知识覆盖率提升 10 倍 +。
3.生成模块设计
上下文融合：将检索到的高相关知识片段与用户原始问题合并，利用知识助手的智能摘要与上下文理解能力，自动整合信息形成完整上下文，支持 1 分钟内完成 100 页文档的关键信息提取，为后续生成提供丰富素材。
内容生成优化：接入中关村科金大模型应用能力，基于领域大模型对上下文进行语义理解，自动生成符合汽车行业场景的回答（如客服咨询、生产流程查询等），同时支持答案溯源与会话分段，确保回答的准确性与可解释性。
个性化调优：通过自定义系统参数与 Prompt 功能，企业可根据业务需求调整生成策略，实现问答效果的个性化优化，降低构建与运营成本 10 倍 +，提升运营效率 70%+。
四、RAG实战案例
中国船舶集团综合技术经济研究院船舶工业经济研究中心（中国船舶集团经济研究中心）与北京中关村科金技术有限公司（中关村科金）达成合作。中关村科金作为行业大模型合作伙伴，助力中国船舶集团经济研究中心自主研发的船舶行业大模型"百舸"，日前正式完成与RAG的深度集成！
百舸深度融合船舶领域百万级专业知识库与RAG的长文本推理与深度思考能力，构建起覆盖智能问答、研报写作、文档解读、情报分析等全链路解决方案，标志着我国在船舶工业"数智大脑"建设领域实现关键突破，为央企发展新质生产力提供了创新实践范本。<知识助手的多模态文档解析功能，支持批量处理多种格式文件，无需额外格式转换。
数据清洗：利用中关村科金知识助手的要素抽取技术（准确度≥90%），自动识别并去除数据中的噪声、重复项及无关信息，同时通过文档标签管理功能（可自动生成或手动调整标签），实现数据的精准分类与管理。
知识库构建：将清洗后的数据分割为文本片段（chunks），通过集成的文本嵌入模型（如 GLM）进行向量化处理，生成语义向量。
利用向量数据库存储能力（支持 FAISS、Milvus 等），将向量数据有序存储，结合中关村科金的知识库自动搭建功能，无需人工整理即可快速构建面向汽车行业的专属 AI 知识库，实现知识源规模扩大 10 倍 +。
2.检索模块设计
问题向量化：当用户输入查询时，通过知识助手的自然语言理解技术，使用与知识库构建相同的文本嵌入模型，将问题转换为向量表示，确保语义一致性。
相似度检索：在向量数据库中，基于得助智能优化的余弦相似度计算算法，快速检索与问题向量最相似的知识库片段，检索效率提升≥50%，3 秒内即可获取相关知识。
结果排序：结合知识助手的智能排序算法，根据相似度得分、文档时效性、业务相关性等维度对检索结果进行排序，优先推荐最相关的知识片段，支持长尾知识覆盖率提升 10 倍 +。
3.生成模块设计
上下文融合：将检索到的高相关知识片段与用户原始问题合并，利用知识助手的智能摘要与上下文理解能力，自动整合信息形成完整上下文，支持 1 分钟内完成 100 页文档的关键信息提取，为后续生成提供丰富素材。
内容生成优化：接入中关村科金大模型应用能力，基于领域大模型对上下文进行语义理解，自动生成符合汽车行业场景的回答（如客服咨询、生产流程查询等），同时支持答案溯源与会话分段，确保回答的准确性与可解释性。
个性化调优：通过自定义系统参数与 Prompt 功能，企业可根据业务需求调整生成策略，实现问答效果的个性化优化，降低构建与运营成本 10 倍 +，提升运营效率 70%+。
四、RAG实战案例
中国船舶集团综合技术经济研究院船舶工业经济研究中心（中国船舶集团经济研究中心）与北京中关村科金技术有限公司（中关村科金）达成合作。中关村科金作为行业大模型合作伙伴，助力中国船舶集团经济研究中心自主研发的船舶行业大模型"百舸"，日前正式完成与RAG的深度集成！
百舸深度融合船舶领域百万级专业知识库与RAG的长文本推理与深度思考能力，构建起覆盖智能问答、研报写作、文档解读、情报分析等全链路解决方案，标志着我国在船舶工业"数智大脑"建设领域实现关键突破，为央企发展新质生产力提供了创新实践范本。
目录
精选案例
相关产品推荐
热门文章
专题推荐
