内部知识库检索

很多组织的知识是「有，但找不到」：规范在共享盘里，手册是 PDF，经验在老员工脑子里。新人查一件事要翻半天，或者干脆去问人。

知识库检索型 Agent 解决的就是这个问题——不是产生新知识，而是让已有的知识可被检索。

落地时真正决定效果的三件事

第一是文档能不能进得来。 实际场景里的资料格式很杂：doc、docx、ppt、pdf、markdown、txt，有时还有 epub。能覆盖的格式越多，前期整理的人工成本越低。

第二是切块策略。 这是最被低估的一环。同样一批文档，切块方式不同，检索命中率差别很大。一份按章节组织的规范，和一份问答形式的 FAQ，合适的切法完全不同。能不能自己调切块策略，是判断一个方案能不能落到实处的关键指标。

第三是嵌入模型的选择。 中文场景下，不同嵌入模型的表现差异明显，尤其是在专业术语密集的领域。能不能换、怎么换，同样影响最终效果。

数据边界必须先讲清楚

这个场景经常伴随一句需求：「数据不能出去」。这句话要拆开看：

• 用本地部署的开源模型，数据全程留在内网——这才是真正的「不出内网」
• 用在线大模型，提问和检索到的知识片段必然要发送给模型厂商，数据一定会出网；能选择的是合规厂商、传输方式和脱敏处理，而不是「不出网」

这两条是互斥的物理事实。任何笼统承诺「数据不出内网」却不区分部署形态的说法，都值得追问一句用的是什么模型。

我们三种部署形态都支持：客户内网物理机、客户自有云或运营商云、我们托管的云。选哪种取决于数据敏感度和预算，方案页里写了具体怎么权衡。

对系统集成商的意义

如果你本来就在给甲方做集成项目，知识库检索是最容易加进去的一块 AI 能力：它不改变原有系统的业务流程，是叠加上去的独立模块，交付边界清晰，验收标准也好定。