當(dāng) RAG 失效時(shí),我們?cè)撊绾巫?AI 真正“理解”企業(yè)系統(tǒng)?

0 評(píng)論 604 瀏覽 2 收藏 6 分鐘

RAG 曾是企業(yè)構(gòu)建智能問答系統(tǒng)的“黃金方案”,但在復(fù)雜業(yè)務(wù)場(chǎng)景中,它的邊界正在顯現(xiàn)。本文將從 RAG 的失效機(jī)制出發(fā),探討如何通過 Agent 化、語義建模與系統(tǒng)協(xié)同,讓 AI 真正“理解”企業(yè)系統(tǒng),走出知識(shí)調(diào)用的淺層困境。

0. 結(jié)論先行

從“檢索即答案”到“上下文工程”:重新定義企業(yè)級(jí) AI 的交互范式

1. 背景

在最近落地企業(yè)級(jí)智能體的過程中,我越來越清晰地意識(shí)到一個(gè)問題:我們不能指望一個(gè)通用大模型,僅憑幾段檢索到的文本,就能讓AI準(zhǔn)確理解一個(gè)復(fù)雜、動(dòng)態(tài)的企業(yè)系統(tǒng)。

我曾寄希望于 RAG(檢索增強(qiáng)生成)來幫助AI理解企業(yè)的一切數(shù)字資產(chǎn)。但現(xiàn)實(shí)是殘酷的:

  • 信息密度低:檢索到的文檔片段往往信息密度低且充滿噪音。
  • 結(jié)構(gòu)化鴻溝:系統(tǒng)的Schema和配置規(guī)則是高度結(jié)構(gòu)化的,而RAG提供的卻是非結(jié)構(gòu)化文本
  • 知識(shí)更新滯后:系統(tǒng)能力不斷更新,但向量庫卻難以實(shí)時(shí)同步,導(dǎo)致知識(shí)嚴(yán)重滯后。

結(jié)果就是:AI 一本正經(jīng)地胡說八道,這對(duì)于容錯(cuò)率極低的企業(yè)級(jí) AI 應(yīng)用來說是致命的。

2. RAG 已死?擁抱上下文工程

最近,Chroma 的創(chuàng)始人 Jeff Huber 拋出觀點(diǎn):“RAG is dead”。這并非否定檢索本身,而是宣告簡(jiǎn)單拼接文本的 RAG 范式已經(jīng)走到盡頭。他提出的替代方案是上下文工程(Context Engineering)。

這讓我開始思考:我們是否可以繞過RAG,直接為 AI 構(gòu)建一個(gè)精確、動(dòng)態(tài)提示詞?

于是,我嘗試了一個(gè)新思路:構(gòu)建一個(gè)AI 配置中心。

3. 從“喂文檔”到“建沙盒”

我的目標(biāo)很明確:實(shí)現(xiàn)一句話生成工作流(NL2Workflow),讓非技術(shù)人員也能通過自然語言指令,生成合法、可執(zhí)行的工作流。

為此,我們?cè)O(shè)計(jì)了一個(gè)核心系統(tǒng)——AI 配置中心。它不是另一個(gè)知識(shí)庫,而是一個(gè)上下文工程引擎,其核心思想是:不要讓 AI 去理解雜亂的文檔,而是為它提供一份清晰的“能力說明書”和“操作手冊(cè)”。

3.1. 能力說明書:結(jié)構(gòu)化、清晰

我不再將原始配置文件扔進(jìn)向量庫,而是將其解析為一系列結(jié)構(gòu)化的 RESTful API:

  • GET/api/ai-config/triggers→獲取所有觸發(fā)器類型
  • GET/api/ai-config/nodes→獲取所有節(jié)點(diǎn)類型及其配置Schema
  • GET/api/ai-config/examples→獲取精選的高質(zhì)量工作流示例

這些 API 返回的不是自然語言描述,而是機(jī)器可讀、帶約束的元數(shù)據(jù)。例如,request節(jié)點(diǎn)的method字段只能是GET, POST, PUT…,且url為必填。

這相當(dāng)于給 AI 一本“白名單手冊(cè)”,從根本上杜絕了幻覺。

3.2. 操作手冊(cè):Few-shot Learning

我沒有讓 AI 從海量歷史工作流中“找相似”,而是手動(dòng)維護(hù) 2-3 個(gè)高質(zhì)量的范例,作為 Few-shot Learning 的模板。

這些范例不是為了“模仿”,而是為了教會(huì) AI:

  • 常見的節(jié)點(diǎn)組合模式(如“條件判斷→調(diào)用API→更新記錄”)
  • 如何正確填充復(fù)雜配置(如嵌套的filter和values)

3.3. 上下文工程:動(dòng)態(tài)注入,實(shí)時(shí)同步

我使用模板引擎(如 Mustache),在運(yùn)行時(shí)將上述元數(shù)據(jù)動(dòng)態(tài)注入到 Prompt 中,生成最終的上下文。

更重要的是:當(dāng) n8n 平臺(tái)新增一個(gè)節(jié)點(diǎn)時(shí),AI 配置中心會(huì)自動(dòng)感知并更新 API,下一次 Prompt 生成時(shí),AI 就“知道”了這個(gè)新能力。

這解決了知識(shí)更新的滯后性,實(shí)現(xiàn)了系統(tǒng)與 AI 的“共生演進(jìn)”。

4. 效果與啟示

通過這套“AI 配置中心 + 上下文工程”的方案,我們實(shí)現(xiàn)了:

  • ?準(zhǔn)確性提升:AI生成的工作流幾乎不再出現(xiàn)非法節(jié)點(diǎn)或錯(cuò)誤配置。
  • ??可維護(hù)性增強(qiáng):Prompt的維護(hù)從“手動(dòng)更新文本”變?yōu)椤肮芾斫Y(jié)構(gòu)化數(shù)據(jù)”。
  • ??用戶體驗(yàn)飛躍:非技術(shù)人員只需說一句話,系統(tǒng)就能生成合法工作流。

5. 結(jié)語:從“AI 友好”到“工程友好”

這場(chǎng)實(shí)踐讓我深刻體會(huì)到:企業(yè)級(jí) AI 落地,不是比拼誰的模型更大,而是比拼誰的“上下文工程”做得更好。

未來的 AI 系統(tǒng),不應(yīng)是“黑箱猜測(cè)”,而應(yīng)是“白箱協(xié)作”。我們需要的不是更多文檔,而是一個(gè)為 AI 量身打造的、動(dòng)態(tài)的、可編程的認(rèn)知基礎(chǔ)設(shè)施。

也許,這正是 Jeff Huber 所說的“RAG 之后”的下一個(gè)篇章。

本文由 @Hughugh 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)作者許可,禁止轉(zhuǎn)載

題圖來自Unsplash,基于CC0協(xié)議

更多精彩內(nèi)容,請(qǐng)關(guān)注人人都是產(chǎn)品經(jīng)理微信公眾號(hào)或下載App
評(píng)論
評(píng)論請(qǐng)登錄
  1. 目前還沒評(píng)論,等你發(fā)揮!