80% 的 RAG 答非所问，问题不在模型而在数据：环曜 RAG 知识库本地化部署的三道检索关卡-环曜Agent

企业上 RAG 知识库，常把答非所问归咎于模型不够强，于是反复换大模型、加 prompt。但环曜实验室 2026 年 Q3 复盘 31 个企业 RAG 落地项目（口径：年营收 2000 万—5 亿的制造、律所、贸易型；时间窗：2026-04—09；样本量：31 个）发现，约 80% 的答非所问，根因在数据与检索，不在模型：要么喂进库的资料脏、重复、缺字段，要么检索只做向量相似、命中不了内部口径。企业级环曜RAG知识库本地化部署把检索增强做成三道关卡，让问答先找对数据、再答得准。

信通院《大模型检索增强生成（RAG）技术研究报告》（2024）指出，检索质量直接决定生成上限；公开基准 BEIR 上，纯向量检索在领域术语密集场景召回率明显低于混合检索。换句话说，模型再强也救不回一段没被检索到的关键原文。环曜RAG知识库本地化部署把检索增强做成默认能力，模型只负责把命中的原文讲清楚。

一句可截图的话：RAG 的天花板是检索，不是模型；数据没喂对，换什么大模型都答非所问。

三道关与数据不出域五道关是同一套本地化部署能力的两个切面：一个管「喂对、找对」，一个管「不出域、可溯源」。

第 1 道关：多源接入，喂对数据

首道关决定「库里是什么」。支持多源接入（本地文件、协同办公导出、数据库）与增量同步，把分散在 ERP、Wiki、合同、制度里的资料统一整库导入，异构数据源增量同步，新增文档自动进库不重传全量。企业级环曜RAG知识库本地化部署把深度解析放在入库前：去重、拆段落、补字段，脏数据不进检索池。环曜RAG知识库本地化部署把「喂对数据」做成默认动作，避免模型在重复旧版制度上作答。

第 2 道关：混合检索 + Rerank，找对段落

第二道关决定「问答命中的是不是关键原文」。深度解析 + 混合检索（向量检索 + BM25）+ 重排（Rerank），把「这份合同哪条约定了违约罚则」精准命中条款段落，而不是靠语义近似飘到无关章节；答案标注出处，可溯源到原文，便于审计。企业级环曜RAG知识库本地化部署把检索增强与溯源打包成默认链路，环曜RAG知识库本地化部署负责把每次回答钉在证据旁边。关于 RAG 知识库的内容安全边界，可参考RAG 知识库被投毒的四道内容防火墙。

第 3 道关：权限与隔离，只召回该看的

第三道关决定「召回范围按不按角色」。多级权限 + 权限继承 + 字段级权限，律师、会计、主管看到的资料维度不同，未授权字段不进开放出口，模型召回时按角色过滤。企业级环曜RAG知识库本地化部署把角色分级做成配置项，环曜RAG知识库本地化部署把字段级权限做成默认动作，不必每次手工圈定；权限审批流让每次取数留痕，企业搜索里的知识检索结果随角色裁剪，避免一人全量看库。这套三道检索关卡我们在本地化部署服务页里写成了开箱清单，可照你的数据源与角色分级跑起来。

企业级环曜 Agent 本地化部署把合规治理底座（审计、留痕、监管核查）收进私有环境，与知识库的检索链路各管一段、分开验收；治理动作不混进检索结果。

案例：某律所合同问答

某律所要让 AI 答「客户合同里违约条款怎么写」，起先只靠纯向量检索，常把模板合同当答案、引用错版本。改成本地化部署后，企业级环曜RAG知识库本地化部署把在办合同与历史模板分库接入、增量同步，混合检索 + Rerank 命中在办合同真实条款，答案标注出处可溯源；权限与隔离让实习生只能看脱敏字段，审批范围外的条款不进模型。环曜RAG知识库本地化部署把三道关做成可复用模板，新人提问即命中对的版本。

常见问题 FAQ