把公司文档一股脑喂给向量库，是很多团队做智能问答的第一步，也是踩坑最集中的一步。我见过一个内部助手，演示时能对答如流，上线第三周就被业务方打回：财务问报销标准，它掏出了三年前作废的版本；研发问接口鉴权，它把测试环境文档当成了生产配置。

复盘下来，问题极少出在生成模型上，几乎都卡在检索这一层。

一次看似简单的问答，实际要走六道工序：查询改写 → 混合召回 → 重排序 → 上下文组装 → 受限生成 → 带出处返回。多数人只盯着第五步调参，前四步却一直在裸奔。

几个上线后才会暴露的真实雷点：

EEC工信教考中心，互联网应用工程师，辉达

马老师13521730416

丁老师13522094648

一个被验证有效的思路是“检索决策框架”：先判断用户问题属于哪一类——精确数值走结构化查询，概念解释走语义召回，跨文档推理才进大模型生成。不是所有问题都该走向量搜索。

RAG 系统的准确率上限，等于你检索链路的上限，而不是底座模型的上限。