有一次看一家公司的内部问答演示，提问的人问“出差住宿标准变了没有”，机器人答得很流畅，还附了两条来源。点开一看，一条是两年前的制度，另一条是会议纪要里的讨论稿。回答没有胡编，却也没真正回答问题。这个场景让我对检索增强生成的兴趣大过对模型参数的兴趣：它把“查资料”接进生成过程，但查到的资料是否可用，往往比模型本身更决定结果。
它解决的不是“更聪明”，而是“有据可查”
它的基本动作不复杂：先把问题拿去找相关资料，再把资料和问题一起交给模型组织答案。相比直接让模型凭训练记忆回答，它多了两个可操作环节——资料可以被更新，引用可以被检查。对企业来说，这两点比“回答更像人”实在。制度、产品说明、工单记录经常变，模型不可能随时重训；把最新文档放进检索范围，至少让答案有机会跟上变化。另一个常被忽略的价值是可追溯：回答旁边列出出处，读者能判断该不该信。
真正难的是检索之前的那堆脏活
很多讨论把检索增强生成说成“外挂知识库”，听起来像插上线就完事。实际落地时，问题常出在资料侧。文档切得太碎，上下文断了；切得太大，检索结果里一半是无关内容。同一主题存在多个版本，系统若不做时间、权限和状态的过滤，就可能把废弃文件递给模型。还有表格、扫描件、聊天记录这类非结构化内容，光做文本抽取就会丢信息。
- 资料有没有明确的负责人和有效期，决定了检索结果能不能用；
- 权限过滤要在检索阶段完成，而不是等答案生成后再遮挡；
- 引用要能回到原文位置，否则“有来源”只是装饰。
生成环节仍会“顺滑地跑偏”
即使检索到了对的资料，模型也可能把几段内容拼成一个看似合理的结论。它降低了一部分凭空编造，却不能替代校验。比较稳妥的做法，是让系统在资料不足时明确说“没找到”，而不是硬答；对涉及流程、数字、责任边界的提问，答案里应保留原文片段或链接，让人能复核。另一个边界是复杂推理：资料里没有直接答案时，模型需要跨文档归纳，这时错误更容易藏在过渡句里。
我的判断：先把它当“搜索加摘要”，再谈智能
如果企业现在要试，我会建议从问题相对集中、资料更新可控的场景开始，比如内部制度查询、产品文档答疑、售后知识辅助。先把文档版本、权限、引用链路理清，再评估回答质量。别急着追求“什么都能答”，一个能承认不知道、能把出处摆出来的系统，比一个回答漂亮但无法核对的系统更接近可用。检索增强生成的热度会继续，但它真正的门槛不在模型调用，而在知识治理这件慢活上。