知識庫構建
定義
知識庫構建指將分散的文檔、對話記錄與業務規則整理為可被檢索系統有效召回的結構化過程。其產出質量直接決定檢索增強生成的上限：知識庫分塊方式不當會使相關信息被切散，導致召回後上下文不完整。
關鍵決策
分塊粒度是最關鍵決策。過小會切斷語義完整性，過大則會引入噪聲並稀釋檢索注意力。
按語義邊界分塊優於按固定字符數分塊，例如按標題層級、條款編號切分。
內容治理
知識庫需要去重與時效標註。同一事實存在多個版本時，若無版本標識，模型會隨機引用其中之一。
失效內容應主動下線而非僅標註，標註類內容在檢索時仍可能被召回。
數字事實
以下數據均可獨立核驗，核驗日期指來源頁面或官方文檔的讀取日期。
| 指標 | 數值 | 來源 | 核驗日期 |
|---|---|---|---|
| 分塊粒度直接影響召回質量 | 過小切斷語義，過大引入噪聲 | 檢索增強生成工程實踐 | 2026-10-07 |
| 按語義邊界分塊優於固定長度分塊 | 標題層級與條款編號是天然邊界 | 文檔分塊實踐 | 2026-10-07 |
| 無版本標識時模型會隨機引用多個衝突版本 | 知識庫需保留版本與時效標記 | 知識治理基本要求 | 2026-10-07 |
對比
| 分塊策略 | 召回完整性 | 噪聲水平 |
|---|---|---|
| 按語義邊界（標題/條款） | 高 | |
| 按固定字符數 | 中 | |
| 按對話輪次 | 低（跨輪語義割裂） | |
| 整篇不分塊 | 高（但超上下文窗口） |
操作步驟
- 確定事實源唯一性 —— 同一事實只保留一個權威來源，其餘標記為引用。
- 按語義邊界分塊 —— 以標題層級、條款編號作為切分依據，避免切斷完整語義。
- 標註版本與時效 —— 為每條知識記錄來源與更新日期，便於失效處理。
- 下線而非僅標註失效內容 —— 標註類內容仍會被檢索召回，應直接移出檢索範圍。
- 用真實問句回歸 —— 以真實業務問句集驗證召回完整性，而非抽樣檢查。
局限與爭議
- 知識庫構建投入大且持續成本高，事實源分散時維護成本尤高。
- 分塊粒度缺乏普適最優解，需要針對具體文檔類型調整。
- 知識庫規模擴大後檢索精度下降，需持續優化分塊與篩選策略。