RAG（检索增强生成）是企业 AI 落地最成熟的方向。本文讲清三件事：资料怎么进、答案怎么准、权限怎么控，附常见踩坑与验收口径。
绝大多数企业的知识资产是"存着但不被使用"：网盘里有几千个文件，但员工找一份制度仍要问人。RAG 的价值是把"找文件"变成"问答案"，并给出原文出处。
按"会不会被问到"排序，先接入高频资料（产品手册、制度、SOP、常见问答），再逐步补全。技术上有两种方式：批量导入原始文档（自动切分+向量化），或对接业务系统做实时问答。切忌一上来全量导入——噪音会拉低召回质量。
准确率的关键在三处：切分粒度（按语义而非固定字数）、召回策略（向量+关键词混合，避免"看起来像"的误召回）、答案约束（要求引用原文片段而非自由发挥）。验收建议用 30-50 条真实问题做回归测试，看命中率与出处正确率。
必须支持按部门/角色控制可见范围：人事制度全公司可见，财务与研发资料按范围隔离。私有化部署可让数据完全不出内网，适合对数据敏感的制造、医疗、金融类企业。
① 把知识库当"垃圾桶"全量导入；② 更新不同步（制度改了知识库没改，答错反而更糟）；③ 只测"能答"，不测"答得对不对"；④ 没有量化口径（建议跟踪：问答命中率、人工转接率、节省的查找时间）。
高频场景（如内部制度问答、产品参数查询）通常在接入后 1-2 周内就能观察到使用量上升与问人次数下降。
看数据敏感度。对外资料可用云端；涉及客户数据、研发资料、财务制度建议私有化，数据不出内网。
多数方案支持增量更新与定时同步，避免"答旧答案"；关键是建立"文档变更即同步"的流程。