图解RAG：用差旅报销案例拆解检索增强生成工程细节

下周去上海出差，你想订一家每晚 650 元的酒店，于是问 AI：这个价格，公司能报销吗？ 大模型就算再聪明、背下了全人类的百科全书，它也不可能凭空猜到你公司刚刚修改的内部差旅标准。

爱迪生 @ai_edisonZ 写的这篇图解长文，可以说把一直被学术黑话笼罩的 RAG（检索增强生成），拆解成了连文科生都能秒懂的人间烟火气： 它其实不是什么高深魔法，本质就是一场“由 AI 替你翻开公司制度、对照具体条款答题”的开卷考试！

但别以为把文件往模型里一丢就完事了。 看懂他拆解的一场标准问答，你会发现中间每一步都藏着极其讲究的工程防翻车细节：

1️⃣ 提问前：文档是怎么被切碎和做索引的？ 制度文件往往是 PDF、表格或 Word，解析时第一关是还原表格结构（不能把上海留在上一行、把 600 元错位对到别处）； 接着是切片（Chunk）——这是最致命的一步！ 如果只按字数无脑硬切，把“上海每晚标准 600 元”切在前一段，把“经负责人预先审批可超标报销”切到后一段， 一旦检索只找到前一段，AI 就会铁面无私地给出错误答案：650 块绝对不能报！ 所以优秀的切片，必须保留条款之间的上下文从属，并挂上版本与权限元数据； 2️⃣ 提问时：双路召回 + 融合重排（把答案找齐）： 光靠语义向量去搜很容易抓瞎（比如搜不出精确的城市名和制度编号）； 工业级做法是双管齐下： 一路走关键词精确匹配（BM25），一路走语义相似度（向量检索），两路各自抓出一批候选片段。 然后用 RRF（倒数排名融合）把两份打分不同的清单合并排序，必要时再过一道重排模型（Rerank），把既包含金额、又包含审批例外的核心条款排在最前面； 3️⃣ 提问后：组装带来源的答案，绝不瞎猜： 系统把你的问题、检索出来的第 1 到 3 条条款，加上回答要求组装成上下文递给大模型。 AI 读懂后，给出的是教科书级别的回答： “650 元超过了上海 600 元标准；但如果你提前拿到了部门领导审批且覆盖这笔费用，可以凭发票报销。请问你是否已经获得预先审批？” 不仅给了结论、标出了依据来自《差旅报销制度》，甚至在缺乏关键事实时主动向你反问追问！

更难得的是，作者在文末极其克制地给全行业泼了一盆冷水： 别动不动就跟风自己手搓一套复杂的 RAG！ 先看你的使用场景到底配不配： • 偶尔查几份文件：直接把全文贴进聊天框，几秒钟搞定，别给自己加戏； • 个人长期研究一批材料：用微信 ima 这类现成知识库产品，零代码开箱即用； • 团队资料已经在飞书/钉钉里：直接开现有平台的知识问答，权限和同步天然打通，千万别傻乎乎把文件全部搬家； • 只有涉及复杂客服串联、需要精细定制流程时：再去考虑用 Dify 搭工作流，甚至自己写代码。

这个时代最廉价的，是盲目堆砌技术名词的自嗨； 真正值钱的，永远是把工具放进真实场景里的清醒判断。

系统有没有用，从来不在于知识库里存了多少万字的文件； 回到那笔 650 块的住宿费， 它能不能精准找出 600 块的红线、保住提前审批的例外、并把原文拍在你脸上让你核对， 才决定了它是一个真能顶事的数字员工，还是一个只会添乱的玩具。