两年前我们开始做知识库的时候，第一件事就是把资料全扔进 RAG。

RAG，Retrieval Augmented Generation，检索增强生成，这几年企业做 AI 知识库基本都是从它开始的。路子也很统一，把 PDF、Word、网页资料传上去，系统切分文档，生成向量，存进向量数据库。用户提问，先靠相似度检索捞回来几段相关片段，再交给大模型，答案就出来了。

这条路径快，管用，也撑起了大批 AI 应用落地。

可用了两年，我们慢慢觉得不对劲。

RAG 让 AI 找到了资料，却没让 AI 理解知识。这两件事差得很远。

一、我们曾经也相信 RAG 能解决一切

最初做长文本生成产品，我们选的就是 RAG 路线。想法很朴素，让大模型读着企业资料、行业文档、专业报告，生成像样的内容。

于是我们试了 RAGFlow，也认真研究了 Dify。整条技术链路大概是这样。

原始文档
    ↓
文档解析
    ↓
Chunk切分
    ↓
Embedding向量化
    ↓
向量数据库
    ↓
检索相关内容
    ↓
大模型生成

这套模式确实解决了不少问题。企业制度问答、产品资料查询、内部文档助手、技术资料搜索，这些场景效果都很好。

但场景一旦从问一个问题变成交付一份完整内容，情况就不一样了。

让 AI 根据几十份历史资料写人物传记，对着一堆报告做投资分析，拿地方志整理一个地区的发展史。这类任务一上手，问题就冒出来了。

模型找得到资料。只是这些资料本身，还没变成知识。

传统 RAG 的逻辑是，用户提问，系统找出最相关的几个文本片段，交给大模型作答。

听起来没毛病。但对大模型来说，一个 Chunk 只是一次性的上下文输入。这段内容属于哪个实体，这个人物跟哪些事件有关，这个事实出自哪个来源，不同资料之间有没有冲突，哪些内容已经确认，哪些只是猜测，它一概不知。

比如一个历史人物的资料，传统知识库可能是这么存的。

chunk001：
某人在某年担任某职位……

chunk002：
某人在另一个时期参与某事件……

chunk003：
某人的后代情况……

检索到了吗？都检索到了。可这些片段之间没有任何关系。

你想想，模型每回答一次，就得把理解、关联、总结、生成重新走一遍。

也就是说，每调用一次 AI，都在从头整理一次知识。

三、AI 时代真正需要的是能被理解的知识

后来我们开始留意另一条路，其中一个启发来自 llm-wiki 这样的项目。

它的思路不一样。文档不是存起来等着被检索，而是让 AI 帮忙，把文档一点点整理成结构化知识。

这个变化很关键。处理链路整个变了。

Document
    ↓
Chunk
    ↓
Vector
    ↓
Search

Document
    ↓
Knowledge Extraction
    ↓
Entity
    ↓
Relationship
    ↓
Concept
    ↓
Source
    ↓
Knowledge

一句话，以前的知识库存的是资料，往后的知识库存的是知识。

过去几十年的知识库，都是给人用的。

拿企业文档管理系统来说，它解决的是员工去哪找文件这件事。所以核心能力就是分类、搜索、权限、文件管理，全是围着人转的。

到了 AI 时代，要求变了。光让人找到资料不够，还得让大模型能长期理解这些资料。

知识库要提供的东西就不一样了。

人物是人物，事件是事件，概念是概念，每一类都有固定结构。

AI 不该只知道王某出现在三个文档里，它该知道王某参与了什么事件，这个事件又影响了什么变化。

王某
 |
 |参与
 ↓
某历史事件

 |
 |影响
 ↓

某制度变化

未来 AI 最头疼的问题会是可信。生成能力已经够用了，难的是说出来的东西有人信。

一个知识系统应该答得上来这些问题，这个结论从哪来的，有几个来源支撑，有没有不同观点，上次更新是什么时候。

所以 Source、Claim、Version、Evidence 这几个概念，我们觉得未来知识库里少不了。

五、RAG 不会消失，它会变成知识系统的一部分

说到这得澄清一个容易误会的地方。

未来不是结构化知识库替代 RAG。RAG 不会消失，它会变成更大知识系统里的一个组件。

                原始资料
                   |
                   ↓
            知识加工层
                   |
       ┌───────────┼───────────┐
       ↓           ↓           ↓
    知识图谱    向量索引    全文索引
       |
       ↓
  AI知识系统
       |
       ↓
  问答 / 分析 / 写作 / 研究

向量检索负责找到信息，结构化知识负责理解信息，两者合起来，才是面向 AI 的知识基础设施。

六、从 RAG 到知识系统，是一次认知变化

回头看这几年，这条路其实拐了三个弯。

一开始我们觉得 AI 缺的是资料，所以建知识库，做 RAG。

后来发现，AI 找到了资料，还是不能稳定地理解。于是又去研究 GraphRAG、知识抽取、结构化知识。

到现在我们越来越觉得，AI 时代真正要紧的，不是存了多少文档，是攒下了多少 AI 能理解的知识。

七、未来竞争的核心，是谁手里有高质量的 AI 上下文

模型能力会越来越强，模型之间也会越来越像。

到那时候真正拉开差距的，大概率是你的 AI 能碰到什么知识。GPT 也好，Claude 也好，大家都能用。

一个干了十年的行业专家为什么比新人强？不是他话说得更好听，是经验、领域知识、判断规则、历史上下文，这些东西他手里都有。

AI 也一样。好的 AI 靠的不只是更大的模型，更是更好的上下文。

八、从知识库到 AI 的知识操作系统

知识库以前是给人查东西的，往后是给 AI 提供上下文的。

那它就不再是文件管理系统了，更像 AI 的知识操作系统。理解世界、组织知识、保存事实、建立关系、提供上下文、支撑 AI 创作内容，这些事都归它管。

从 RAG 到结构化知识，从存文档到攒知识，这一步大概就是 AI 应用的下一阶段。

这事还早，我们也还在路上。但方向至少清楚了，先把知识攒对，理解世界是后面的事。

用了 RAG 两年后，我们发现 AI 真正的问题是没知识

RAG，这几年企业做 AI 知识库基本都是从它开始的。路子也很统一，但是它不是银弹。未来知识库不是给人用，是给AI用的。

人工智能

架构设计

数据库

知识库正从RAG检索向结构化知识系统演进。RAG让AI找到资料，却未让其理解知识。未来的AI知识库需整合实体、关系、来源与可信度，向量检索负责找信息，结构化知识负责理解信息，两者结合构成AI的知识操作系统，决定AI能力的上限。

向量数据库

知识图谱

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

用了 RAG 两年后，我们发现 AI 真正的问题是没知识

用了 RAG 两年后，我们发现 AI 真正的问题是没知识

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐