深度解析如何用 RAG 构建企业级智能知识库客服系统基于 RAG 技术的企业级智能知识库系统实战经验分享本文分享一套完整的企业级 RAG 知识库客服系统架构设计与实现方案前言大模型时代企业接入 AI 客服似乎只需要调个 API。但真正落地时你会发现核心问题不是模型不够强而是模型不懂你的业务知识。产品手册、服务政策、操作指南、FAQ……这些资料分散在各个角落。当客户问一个问题时如何让 AI 基于这些资料给出准确、可信、可溯源的答案这就是 RAGRetrieval-Augmented Generation要解决的问题。本文将分享如何构建一套完整的 RAG 智能知识库系统支撑企业 AI 客服场景。一、整体架构先看整体架构核心流程文档上传 → 解析分块 → 向量化 → 存储入库 ↓ 用户提问 → 混合检索 → 重排序 → LLM 生成 → 流式返回附引用系统技术栈- 后端NestJS 10 TypeScript数据库PostgreSQL 18 pgvector1024 维向量HNSW 索引向量模型BGE-large-zh-v1.5中文优化LLM阿里云 DashScope可替换为其他 LLM 服务RerankerSiliconFlow可替换为其他 Reranker 服务实时通信SSE 流式输出—二、文档处理从文件到可检索的知识2.1 多格式文档解析企业文档格式多样我们支持 PDF、Word、Excel、Markdown、TXT、CSV 等格式。核心是统一提取文本内容// 文档解析核心逻辑asyncfunctionparseDocument(file:Express.Multer.File):Promisestring{constextpath.extname(file.originalname).toLowerCase();switch(ext){case.pdf:returnparsePDF(file.buffer);// pdf-parsecase.docx:returnparseWord(file.buffer);// mammothcase.xlsx:returnparseExcel(file.buffer);// xlsxcase.md:returnfile.buffer.toString(utf-8);case.txt:returnfile.buffer.toString(utf-8);case.csv:returnparseCSV(file.buffer);// csv-parsedefault:thrownewUnsupportedFormatException(ext);}}2.2 智能分块策略分块是 RAG 的关键环节。块太大检索精度低块太小丢失上下文。我们采用语义分块策略// 语义分块配置interfaceChunkConfig{maxChunkSize:number;// 最大块大小tokensoverlapSize:number;// 重叠大小separators:string[];// 分隔符优先级keepMetadata:boolean;// 保留元数据}constdefaultConfig:ChunkConfig{maxChunkSize:512,overlapSize:50,separators:[\n\n,\n,。,,, ],keepMetadata:true,};// 分块逻辑functionchunkText(text:string,config:ChunkConfig):Chunk[]{constchunks:Chunk[][];letstart0;while(starttext.length){letendfindChunkEnd(text,start,config);chunks.push({content:text.slice(start,end),metadata:{startIndex:start,endIndex:end,chunkIndex:chunks.length,},});startend-config.overlapSize;// 重叠部分}returnchunks;}2.3 向量化存储分块后使用 BGE-large-zh-v1.5 模型生成 1024 维向量存入 PostgreSQL pgvector// 向量化并存储asyncfunctionvectorizeAndStore(knowledgeBaseId:string,chunks:Chunk[]){for(constchunkofchunks){// 生成向量constembeddingawaitsiliconflow.embed({model:BAAI/bge-large-zh-v1.5,input:chunk.content,});// 存入数据库awaitprisma.knowledgeChunk.create({data:{knowledgeBaseId,content:chunk.content,embedding:embedding.data[0].embedding,// 1024维向量metadata:chunk.metadata,},});}}数据库模型设计model KnowledgeChunk { id String id default(cuid()) knowledgeBaseId String content String db.Text embedding Unsupported(vector(1024)) metadata Json createdAt DateTime default(now()) knowledgeBase KnowledgeBase relation(fields: [knowledgeBaseId], references: [id]) index([knowledgeBaseId]) index(embedding, ops: VectorCosineOps) // HNSW索引 }三、混合检索为什么单一检索不够3.1 三种检索方式的优劣检索方式优势劣势向量检索语义理解意思相近也能命中对精确术语、型号不敏感全文检索精确匹配速度快无法理解语义关键词检索关键术语精准命中无法理解上下文企业场景中用户提问往往混合了语义描述和精确术语“BGE-large-zh-v1.5 模型的向量维度是多少”这里 “BGE-large-zh-v1.5” 需要精确匹配“向量维度” 需要语义理解。单一检索无法同时满足。3.2 RRF 融合排序我们采用Reciprocal Rank FusionRRF算法融合三种检索结果// RRF 融合排序functionreciprocalRankFusion(results:SearchResult[][],k:number60):SearchResult[]{constscoreMapnewMapstring,number();for(constrankListofresults){rankList.forEach((result,index){constrankindex1;constrrfScore1/(krank);constcurrentScorescoreMap.get(result.id)||0;scoreMap.set(result.id,currentScorerrfScore);});}// 按融合分数排序returnArray.from(scoreMap.entries()).sort((a,b)b[1]-a[1]).map(([id,score])({id,score}));}// 混合检索asyncfunctionhybridSearch(query:string,knowledgeBaseId:string):PromiseSearchResult[]{const[vectorResults,fullTextResults,keywordResults]awaitPromise.all([vectorSearch(query,knowledgeBaseId),fullTextSearch(query,knowledgeBaseId),keywordSearch(query,knowledgeBaseId),]);returnreciprocalRankFusion([vectorResults,fullTextResults,keywordResults,]);}3.3 Reranker 二次排序RRF 融合后再通过 Reranker 模型进行精细排序// Reranker 重排序asyncfunctionrerank(query:string,candidates:SearchResult[],topK:number5):PromiseSearchResult[]{constrerankedawaitsiliconflow.rerank({model:BAAI/bge-reranker-v2-m3,query,documents:candidates.map(cc.content),top_n:topK,});returnreranked.results.map(r({...candidates[r.index],rerankScore:r.relevance_score,}));}完整检索流程用户提问 ↓ ┌─────────────────────────────────────┐ │ 混合检索 │ │ ┌──────────┐ ┌──────────┐ ┌────────┐│ │ │ 向量检索 │ │ 全文检索 │ │关键词 ││ │ └────┬─────┘ └────┬─────┘ └───┬────┘│ │ └────────────┼────────────┘ │ │ ↓ │ │ RRF 融合排序 │ └────────────────────┬────────────────┘ ↓ Reranker 重排序 ↓ 返回 Top-K 结果四、可信问答让每个答案都有出处4.1 检索增强生成RAG检索到相关文档块后将其作为上下文传给 LLM// RAG 问答asyncfunctionragAnswer(query:string,knowledgeBaseId:string,chatHistory:Message[]):PromiseReadableStream{// 1. 检索相关文档constsearchResultsawaithybridSearch(query,knowledgeBaseId);constrerankedawaitrerank(query,searchResults,5);// 2. 构建 Promptconstcontextreranked.map((r,i)[${i1}]${r.content}(来源:${r.source})).join(\n\n);constprompt你是一个专业的客服助手。请基于以下参考资料回答用户问题。 参考资料${context}要求 1. 只基于参考资料回答不要编造信息 2. 如果参考资料中没有相关内容明确告知用户 3. 在回答中标注引用来源格式[1][2] 4. 回答要准确、简洁、专业 用户问题${query};// 3. 流式生成回答returnstreamCompletion(prompt,chatHistory);}4.2 引用溯源每个回答都附带来源文件和页码用户可以验证// 引用格式化interfaceCitation{index:number;// 引用编号 [1][2]content:string;// 原文内容source:string;// 来源文件名page?:number;// 页码PDFscore:number;// 相关度分数}// 格式化回答functionformatAnswerWithCitations(answer:string,citations:Citation[]):FormattedAnswer{return{answer,citations:citations.map(c({...c,label:[${c.index}]${c.source}${c.page?P${c.page}:},})),};}五、流式输出实时返回提升体验5.1 SSE 流式传输使用 Server-Sent Events 实现流式输出用户无需等待完整回答// SSE 流式响应asyncfunctionstreamToSSE(response:Response,stream:ReadableStream){constreaderstream.getReader();constdecodernewTextDecoder();response.setHeader(Content-Type,text/event-stream);response.setHeader(Cache-Control,no-cache);response.setHeader(Connection,keep-alive);while(true){const{done,value}awaitreader.read();if(done)break;constchunkdecoder.decode(value);response.write(data:${JSON.stringify({content:chunk})}\n\n);}response.write(data: [DONE]\n\n);response.end();}前端接收// 前端流式接收asyncfunctionstreamChat(message:string){constresponseawaitfetch(/api/chat/stream,{method:POST,body:JSON.stringify({message}),});constreaderresponse.body?.getReader();constdecodernewTextDecoder();letfullAnswer;while(true){const{done,value}awaitreader!.read();if(done)break;constchunkdecoder.decode(value);constlineschunk.split(\n);for(constlineoflines){if(line.startsWith(data: )){constdataline.slice(6);if(data[DONE])break;const{content}JSON.parse(data);fullAnswercontent;updateUI(fullAnswer);// 实时更新界面}}}}六、反馈闭环越用越准的知识库6.1 用户反馈收集用户可以对 AI 回答点赞或点踩// 反馈收集interfaceChatFeedback{chatId:string;messageId:string;rating:helpful|not_helpful;comment?:string;createdAt:Date;}// 记录反馈asyncfunctionrecordFeedback(feedback:ChatFeedback){awaitprisma.chatFeedback.create({data:feedback});// 更新知识块质量分if(feedback.ratingnot_helpful){awaitupdateChunkQualityScore(feedback.messageId,-1);}else{awaitupdateChunkQualityScore(feedback.messageId,1);}}6.2 知识库优化基于反馈数据持续优化知识库// 知识库优化策略interfaceOptimizationStrategy{// 1. 低质量回答分析analyzeLowQualityAnswers():PromiseLowQualityReport;// 2. 高频未覆盖问题findUncoveredQuestions():PromiseQuestion[];// 3. 知识块质量评分updateChunkScores():Promisevoid;// 4. 生成优化建议generateSuggestions():PromiseSuggestion[];}七、客服 Widget一行代码嵌入7.1 Widget 嵌入在灵应 AI 平台创建知识库后企业只需一行代码即可在网站中嵌入 AI 客服!-- 灵应 AI 客服 Widget - 一行代码嵌入 --scriptsrchttps://cdn.qiyeszh.com/widget.jsdata-kb-idyour-knowledge-base-iddata-themelightdata-positionbottom-rightdata-primary-color#4F46E5data-titleAI 客服助手data-welcome你好有什么可以帮您的data-langzh/script7.2 可配置项配置项说明默认值data-kb-id知识库 ID必填data-theme主题light/darklightdata-position位置bottom-rightdata-primary-color主题色#4F46E5data-title标题AI 客服助手data-welcome欢迎语你好data-lang语言zh/enzh八、踩坑记录8.1 分块大小选择问题分块太小导致上下文丢失分块太大导致检索不精准。解决方案根据文档类型动态调整技术文档400-600 tokens细节密集FAQ 类200-300 tokens一问一答长文章500-800 tokens保持上下文8.2 向量模型选择问题通用多语言模型对中文支持不够好。解决方案使用 BGE-large-zh-v1.5 中文优化模型1024 维向量中文语义理解更准确。8.3 检索性能优化问题数据量大时向量检索变慢。解决方案使用 HNSW 索引替代 IVFFlat按知识库 ID 分区减少扫描范围热点查询缓存-- HNSW 索引创建CREATEINDEXONknowledge_chunkUSINGhnsw(embedding vector_cosine_ops)WITH(m16,ef_construction64);-- 按知识库分区CREATEINDEXONknowledge_chunk(knowledge_base_id);8.4 流式输出兼容性问题部分浏览器或代理不支持 SSE。解决方案降级为长轮询或 WebSocket// 降级策略functiongetStreamMethod(request:Request):sse|websocket|polling{constacceptrequest.headers.get(accept);if(accept?.includes(text/event-stream)){returnsse;}if(request.headers.get(upgrade)websocket){returnwebsocket;}returnpolling;}九、性能指标指标数值文档解析速度100 页 PDF / 10 秒向量化速度1000 chunks / 分钟检索延迟Top-10 200ms首 token 响应时间 1 秒完整回答时间500字3-5 秒检索准确率Top-5 命中 90%十、总结构建企业级 RAG 知识库核心是解决三个问题知识怎么存—— 多格式解析 智能分块 向量化知识怎么找—— 混合检索 RRF 融合 Reranker知识怎么用—— RAG 问答 引用溯源 流式输出当这三个环节打通企业文档就不再是躺在网盘里的静态文件而是能够直接服务客户的活知识。标签#RAG#AI客服#知识库#向量检索#混合检索#NestJS#PostgreSQL#pgvector
深度解析如何用 RAG 构建企业级智能知识库客服系统基于 RAG 技术的企业级智能知识库系统实战经验分享本文分享一套完整的企业级 RAG 知识库客服系统架构设计与实现方案前言大模型时代企业接入 AI 客服似乎只需要调个 API。但真正落地时你会发现核心问题不是模型不够强而是模型不懂你的业务知识。产品手册、服务政策、操作指南、FAQ……这些资料分散在各个角落。当客户问一个问题时如何让 AI 基于这些资料给出准确、可信、可溯源的答案这就是 RAGRetrieval-Augmented Generation要解决的问题。本文将分享如何构建一套完整的 RAG 智能知识库系统支撑企业 AI 客服场景。一、整体架构先看整体架构核心流程文档上传 → 解析分块 → 向量化 → 存储入库 ↓ 用户提问 → 混合检索 → 重排序 → LLM 生成 → 流式返回附引用系统技术栈- 后端NestJS 10 TypeScript数据库PostgreSQL 18 pgvector1024 维向量HNSW 索引向量模型BGE-large-zh-v1.5中文优化LLM阿里云 DashScope可替换为其他 LLM 服务RerankerSiliconFlow可替换为其他 Reranker 服务实时通信SSE 流式输出—二、文档处理从文件到可检索的知识2.1 多格式文档解析企业文档格式多样我们支持 PDF、Word、Excel、Markdown、TXT、CSV 等格式。核心是统一提取文本内容// 文档解析核心逻辑asyncfunctionparseDocument(file:Express.Multer.File):Promisestring{constextpath.extname(file.originalname).toLowerCase();switch(ext){case.pdf:returnparsePDF(file.buffer);// pdf-parsecase.docx:returnparseWord(file.buffer);// mammothcase.xlsx:returnparseExcel(file.buffer);// xlsxcase.md:returnfile.buffer.toString(utf-8);case.txt:returnfile.buffer.toString(utf-8);case.csv:returnparseCSV(file.buffer);// csv-parsedefault:thrownewUnsupportedFormatException(ext);}}2.2 智能分块策略分块是 RAG 的关键环节。块太大检索精度低块太小丢失上下文。我们采用语义分块策略// 语义分块配置interfaceChunkConfig{maxChunkSize:number;// 最大块大小tokensoverlapSize:number;// 重叠大小separators:string[];// 分隔符优先级keepMetadata:boolean;// 保留元数据}constdefaultConfig:ChunkConfig{maxChunkSize:512,overlapSize:50,separators:[\n\n,\n,。,,, ],keepMetadata:true,};// 分块逻辑functionchunkText(text:string,config:ChunkConfig):Chunk[]{constchunks:Chunk[][];letstart0;while(starttext.length){letendfindChunkEnd(text,start,config);chunks.push({content:text.slice(start,end),metadata:{startIndex:start,endIndex:end,chunkIndex:chunks.length,},});startend-config.overlapSize;// 重叠部分}returnchunks;}2.3 向量化存储分块后使用 BGE-large-zh-v1.5 模型生成 1024 维向量存入 PostgreSQL pgvector// 向量化并存储asyncfunctionvectorizeAndStore(knowledgeBaseId:string,chunks:Chunk[]){for(constchunkofchunks){// 生成向量constembeddingawaitsiliconflow.embed({model:BAAI/bge-large-zh-v1.5,input:chunk.content,});// 存入数据库awaitprisma.knowledgeChunk.create({data:{knowledgeBaseId,content:chunk.content,embedding:embedding.data[0].embedding,// 1024维向量metadata:chunk.metadata,},});}}数据库模型设计model KnowledgeChunk { id String id default(cuid()) knowledgeBaseId String content String db.Text embedding Unsupported(vector(1024)) metadata Json createdAt DateTime default(now()) knowledgeBase KnowledgeBase relation(fields: [knowledgeBaseId], references: [id]) index([knowledgeBaseId]) index(embedding, ops: VectorCosineOps) // HNSW索引 }三、混合检索为什么单一检索不够3.1 三种检索方式的优劣检索方式优势劣势向量检索语义理解意思相近也能命中对精确术语、型号不敏感全文检索精确匹配速度快无法理解语义关键词检索关键术语精准命中无法理解上下文企业场景中用户提问往往混合了语义描述和精确术语“BGE-large-zh-v1.5 模型的向量维度是多少”这里 “BGE-large-zh-v1.5” 需要精确匹配“向量维度” 需要语义理解。单一检索无法同时满足。3.2 RRF 融合排序我们采用Reciprocal Rank FusionRRF算法融合三种检索结果// RRF 融合排序functionreciprocalRankFusion(results:SearchResult[][],k:number60):SearchResult[]{constscoreMapnewMapstring,number();for(constrankListofresults){rankList.forEach((result,index){constrankindex1;constrrfScore1/(krank);constcurrentScorescoreMap.get(result.id)||0;scoreMap.set(result.id,currentScorerrfScore);});}// 按融合分数排序returnArray.from(scoreMap.entries()).sort((a,b)b[1]-a[1]).map(([id,score])({id,score}));}// 混合检索asyncfunctionhybridSearch(query:string,knowledgeBaseId:string):PromiseSearchResult[]{const[vectorResults,fullTextResults,keywordResults]awaitPromise.all([vectorSearch(query,knowledgeBaseId),fullTextSearch(query,knowledgeBaseId),keywordSearch(query,knowledgeBaseId),]);returnreciprocalRankFusion([vectorResults,fullTextResults,keywordResults,]);}3.3 Reranker 二次排序RRF 融合后再通过 Reranker 模型进行精细排序// Reranker 重排序asyncfunctionrerank(query:string,candidates:SearchResult[],topK:number5):PromiseSearchResult[]{constrerankedawaitsiliconflow.rerank({model:BAAI/bge-reranker-v2-m3,query,documents:candidates.map(cc.content),top_n:topK,});returnreranked.results.map(r({...candidates[r.index],rerankScore:r.relevance_score,}));}完整检索流程用户提问 ↓ ┌─────────────────────────────────────┐ │ 混合检索 │ │ ┌──────────┐ ┌──────────┐ ┌────────┐│ │ │ 向量检索 │ │ 全文检索 │ │关键词 ││ │ └────┬─────┘ └────┬─────┘ └───┬────┘│ │ └────────────┼────────────┘ │ │ ↓ │ │ RRF 融合排序 │ └────────────────────┬────────────────┘ ↓ Reranker 重排序 ↓ 返回 Top-K 结果四、可信问答让每个答案都有出处4.1 检索增强生成RAG检索到相关文档块后将其作为上下文传给 LLM// RAG 问答asyncfunctionragAnswer(query:string,knowledgeBaseId:string,chatHistory:Message[]):PromiseReadableStream{// 1. 检索相关文档constsearchResultsawaithybridSearch(query,knowledgeBaseId);constrerankedawaitrerank(query,searchResults,5);// 2. 构建 Promptconstcontextreranked.map((r,i)[${i1}]${r.content}(来源:${r.source})).join(\n\n);constprompt你是一个专业的客服助手。请基于以下参考资料回答用户问题。 参考资料${context}要求 1. 只基于参考资料回答不要编造信息 2. 如果参考资料中没有相关内容明确告知用户 3. 在回答中标注引用来源格式[1][2] 4. 回答要准确、简洁、专业 用户问题${query};// 3. 流式生成回答returnstreamCompletion(prompt,chatHistory);}4.2 引用溯源每个回答都附带来源文件和页码用户可以验证// 引用格式化interfaceCitation{index:number;// 引用编号 [1][2]content:string;// 原文内容source:string;// 来源文件名page?:number;// 页码PDFscore:number;// 相关度分数}// 格式化回答functionformatAnswerWithCitations(answer:string,citations:Citation[]):FormattedAnswer{return{answer,citations:citations.map(c({...c,label:[${c.index}]${c.source}${c.page?P${c.page}:},})),};}五、流式输出实时返回提升体验5.1 SSE 流式传输使用 Server-Sent Events 实现流式输出用户无需等待完整回答// SSE 流式响应asyncfunctionstreamToSSE(response:Response,stream:ReadableStream){constreaderstream.getReader();constdecodernewTextDecoder();response.setHeader(Content-Type,text/event-stream);response.setHeader(Cache-Control,no-cache);response.setHeader(Connection,keep-alive);while(true){const{done,value}awaitreader.read();if(done)break;constchunkdecoder.decode(value);response.write(data:${JSON.stringify({content:chunk})}\n\n);}response.write(data: [DONE]\n\n);response.end();}前端接收// 前端流式接收asyncfunctionstreamChat(message:string){constresponseawaitfetch(/api/chat/stream,{method:POST,body:JSON.stringify({message}),});constreaderresponse.body?.getReader();constdecodernewTextDecoder();letfullAnswer;while(true){const{done,value}awaitreader!.read();if(done)break;constchunkdecoder.decode(value);constlineschunk.split(\n);for(constlineoflines){if(line.startsWith(data: )){constdataline.slice(6);if(data[DONE])break;const{content}JSON.parse(data);fullAnswercontent;updateUI(fullAnswer);// 实时更新界面}}}}六、反馈闭环越用越准的知识库6.1 用户反馈收集用户可以对 AI 回答点赞或点踩// 反馈收集interfaceChatFeedback{chatId:string;messageId:string;rating:helpful|not_helpful;comment?:string;createdAt:Date;}// 记录反馈asyncfunctionrecordFeedback(feedback:ChatFeedback){awaitprisma.chatFeedback.create({data:feedback});// 更新知识块质量分if(feedback.ratingnot_helpful){awaitupdateChunkQualityScore(feedback.messageId,-1);}else{awaitupdateChunkQualityScore(feedback.messageId,1);}}6.2 知识库优化基于反馈数据持续优化知识库// 知识库优化策略interfaceOptimizationStrategy{// 1. 低质量回答分析analyzeLowQualityAnswers():PromiseLowQualityReport;// 2. 高频未覆盖问题findUncoveredQuestions():PromiseQuestion[];// 3. 知识块质量评分updateChunkScores():Promisevoid;// 4. 生成优化建议generateSuggestions():PromiseSuggestion[];}七、客服 Widget一行代码嵌入7.1 Widget 嵌入在灵应 AI 平台创建知识库后企业只需一行代码即可在网站中嵌入 AI 客服!-- 灵应 AI 客服 Widget - 一行代码嵌入 --scriptsrchttps://cdn.qiyeszh.com/widget.jsdata-kb-idyour-knowledge-base-iddata-themelightdata-positionbottom-rightdata-primary-color#4F46E5data-titleAI 客服助手data-welcome你好有什么可以帮您的data-langzh/script7.2 可配置项配置项说明默认值data-kb-id知识库 ID必填data-theme主题light/darklightdata-position位置bottom-rightdata-primary-color主题色#4F46E5data-title标题AI 客服助手data-welcome欢迎语你好data-lang语言zh/enzh八、踩坑记录8.1 分块大小选择问题分块太小导致上下文丢失分块太大导致检索不精准。解决方案根据文档类型动态调整技术文档400-600 tokens细节密集FAQ 类200-300 tokens一问一答长文章500-800 tokens保持上下文8.2 向量模型选择问题通用多语言模型对中文支持不够好。解决方案使用 BGE-large-zh-v1.5 中文优化模型1024 维向量中文语义理解更准确。8.3 检索性能优化问题数据量大时向量检索变慢。解决方案使用 HNSW 索引替代 IVFFlat按知识库 ID 分区减少扫描范围热点查询缓存-- HNSW 索引创建CREATEINDEXONknowledge_chunkUSINGhnsw(embedding vector_cosine_ops)WITH(m16,ef_construction64);-- 按知识库分区CREATEINDEXONknowledge_chunk(knowledge_base_id);8.4 流式输出兼容性问题部分浏览器或代理不支持 SSE。解决方案降级为长轮询或 WebSocket// 降级策略functiongetStreamMethod(request:Request):sse|websocket|polling{constacceptrequest.headers.get(accept);if(accept?.includes(text/event-stream)){returnsse;}if(request.headers.get(upgrade)websocket){returnwebsocket;}returnpolling;}九、性能指标指标数值文档解析速度100 页 PDF / 10 秒向量化速度1000 chunks / 分钟检索延迟Top-10 200ms首 token 响应时间 1 秒完整回答时间500字3-5 秒检索准确率Top-5 命中 90%十、总结构建企业级 RAG 知识库核心是解决三个问题知识怎么存—— 多格式解析 智能分块 向量化知识怎么找—— 混合检索 RRF 融合 Reranker知识怎么用—— RAG 问答 引用溯源 流式输出当这三个环节打通企业文档就不再是躺在网盘里的静态文件而是能够直接服务客户的活知识。标签#RAG#AI客服#知识库#向量检索#混合检索#NestJS#PostgreSQL#pgvector
