本文将带你完成 RAG 技术从理论到实战的全流程。我们以 长江科技有限公司内部知识库：新员工入职指南问答助手 为例，基于 Dify 平台进行实操演示，每一步都会给出具体的操作指引与最佳实践建议。

一、场景引入：普通大模型 Bot 为什么不够用？

1.1 一个令人尴尬的对话

用户提问：

公司今年的育儿假政策具体是多少天？需要什么申请材料？

普通大模型回答：

育儿假政策因地区和公司而异，建议您查阅公司内部 HR 系统或员工手册获取最新信息。

1.2 核心问题诊断

问题	表现	后果
知识过时	模型训练数据中不含《长江科技有限公司员工手册（2026年3月版）》	无法回答具体执行细节
产生幻觉	若强制要求回答，模型可能编造10天或15天等错误天数	误导员工、引发劳动纠纷
体验割裂	员工需要的是“秒回 HR 小助手”，而非“搜索引擎”	机器人实用价值低，员工宁愿私聊 HR

1.3 破局之道：RAG（检索增强生成）

RAG 的核心逻辑：

不要指望模型背下所有内部政策，而是在提问时临时把最新版员工手册“塞”给它。

---

二、什么是 RAG？

2.1 定义

RAG = Retrieval-Augmented Generation（检索增强生成）
一种将 信息检索系统 与 大语言模型 相结合的 AI 应用架构。

2.2 基本原理（三步走）

1. 检索（Retrieve）

   • 用户输入：“育儿假申请流程和天数”
   • 系统将问题转为向量，在预先建好的公司制度知识库中搜索语义最相似的文档片段。

2. 增强（Augment）

   • 将检索到的 Top-K 个文档片段与用户原始问题组合成一个新 Prompt：

     请根据以下资料回答：
     [资料 1] 长江科技有限公司员工手册（2026年3月版）第十一条：育儿假适用条件为子女年龄在3周岁以下，夫妻双方每人每年享受10个工作日育儿假。申请材料需上传《子女出生医学证明》照片及配偶未在同一时段请育儿假的承诺书。有效期当年有效，不可结转。
     [资料 2] 请假申请流程（第十三条）：所有请假须提前在OA系统提交申请，请假>2天需直属上级→部门总监→HRBP备案。
     问题：公司今年的育儿假政策具体是多少天？需要什么申请材料？

3. 生成（Generate）

   • 大模型基于提供的“参考资料”生成有据可依的答案，有效抑制幻觉。

2.3 一句话总结 RAG 的价值

传统 LLM：闭卷考试，凭记忆回答（企业内部知识为零）。
RAG 应用：开卷考试，带着最新员工手册进考场（答案精准、政策更新即同步）。

---

三、RAG 知识库构建（核心工程环节）

构建高质量知识库是 RAG 效果好坏的决定性因素。流程如下：

文档准备 → 文档切片（Chunking）→ 文档向量化（Embedding）→ 存储入库

3.1 文档准备：原料筛选

本次实践仅使用一份核心文档：

文档类型	适用场景	长江科技知识库案例
PDF	员工手册、规章制度	《长江科技有限公司员工手册（2026年3月版）.pdf》

预处理黄金法则：

• 去噪：删除页眉页脚、页码（原PDF第1页有“===== Page 1 =====”等标记需清理）。
• 结构化：确保标题层级清晰（第一章总则 → 第三章考勤与休假 → 第十一条育儿假），便于后续切片。
• 命名规范：文件名包含生效日期，如 Changjiang_Tech_Employee_Handbook_2026_03.pdf。

3.2 文档切片（Chunking）：把手册撕成条目

为什么要切片？

• LLM 上下文窗口有限，检索精度要求片段越小越准。
• 整本员工手册扔进去，模型会被总则、附则等无关信息淹没。

三种切分策略对比

切分方式	举例	优点	缺点
按字符数	每300字切一刀	简单、高效	易把一个条款的上下句切断（如育儿假申请材料清单被拆开）
按分隔符	遇到 \n 。 ； 切分	保留条款完整性	可能造成片段长短不均
按语义	模型判断话题转折点切分	最智能、精度最高	计算成本稍高

实战最佳实践（基于长江科技员工手册）：

字符 + 分隔符结合，单段控制在 300-500 Tokens（约200-400中文字符），并设置 10%-20% 的重叠区（Overlap）。
例如“第十条 带薪病假”中“每月可享受1天全薪病假”与“超过1天部分按当地最低工资标准的80%计发”应尽量在同一段，避免切断。

3.3 文档向量化（Embedding）：翻译成数学语言

定义
将一段文本映射为一串固定长度的数字（向量），例如 [0.12, -0.84, 0.33, ...]。

类比理解

• 文本：“育儿假申请流程” → 向量坐标 A
• 文本：“婚假需要哪些材料” → 向量坐标 B
• 相似度计算：A 和 B 在向量空间中的距离很近，说明语义高度相关（都属于假期福利）。

Embedding 模型选择（本次实践使用）

• text-embedding-v4：属于 Qwen3-Embedding 系列，是阿里巴巴通义实验室推出的最新一代文本嵌入模型。在中文语义理解、长文本检索和跨任务泛化能力上表现优异，是当前企业级 RAG 应用的首选方案之一。

  API官方文档：https://help.aliyun.com/zh/model-studio/text-embedding-synchronous-api

  

  连接云端大模型：

  

---

四、案例实践：用 Dify 搭建《新员工入职问答助手》（基于长江科技真实手册）

4.1 准备工作

• 平台：Dify 云端版或私有化部署版。
• 数据：从 HR 部门获取的唯一文件——《长江科技有限公司员工手册（2026年3月版）.pdf》。

4.2 环节一：创建企业制度知识库

Step 1：进入知识库模块

点击侧边栏「知识库」→「创建知识库」。

Step 2：上传文档

将员工手册 PDF 拖拽上传。

Step 3：设置分段（关键参数）

参数项	推荐设置	说明
分段标识符	\n\n	按空格分段
分段最大长度	500 tokens	容纳一个完整政策条款的长度（如第十条带薪病假全文）
分段重叠长度	50 tokens	保证“申请材料”这类跨段内容不被截断（如育儿假材料清单跨两行）

Step 4：索引与检索设置

• 索引方式：选择「高质量」，模型选 text-embedding-v4（Qwen3-Embedding系列）。
• 检索设置：勾选 混合检索（Hybrid Search）。
  • 混合检索 = 关键词检索（BM25）+ 向量检索，能精准匹配“育儿假”“婚假”“补卡申请”等专有名词。

点击「保存并处理」，等待状态变为「已完成」。可以点击「召回测试」输入“育儿假天数”预览查到的分段内容——应能准确返回手册第十一条全文。

4.3 环节二：Agent 关联知识库与调试

Step 1：创建应用
点击「工作室」→「创建空白应用」→ 选择 Agent（智能助手） 类型。

Step 2：编排 Prompt（指令）

# 角色
你是长江科技有限公司的 HR 政策问答助手，昵称“长小江”。

# 功能
1. 回答员工关于考勤、休假、薪酬、福利、奖惩、离职等制度的疑问。
2. 必须严格依据【长江科技员工手册（2026年3月版）】知识库内容回答，不可引用外部法律条文或编造信息。
3. 对于手册中未明确提及的细节（如“晚婚条件具体以哪条地方规定为准”），请告知员工咨询人力资源部。

# 回复格式要求
- 分点列出核心政策与操作步骤。
- 如果知识库无相关信息，回复：“抱歉，该问题涉及的政策暂未收录于2026年3月版员工手册，建议联系人力资源部确认。”

# 常见政策速查（仅作示例，实际以知识库为准）
- 育儿假：子女3周岁以下，夫妻各10个工作日/年，需上传出生医学证明+配偶未同时请假承诺书。
- 带薪年假：按累计社会工龄（1年≤N<10年=5天，10年≤N<20年=10天，N≥20年=15天），转正后满6个月可享，新员工按剩余日历天数折算。
- 带薪病假：每月1天全薪（需三甲医院证明），超出部分按当地最低工资80%计发。
- 工作时间：09:00-12:00，13:30-18:30，午餐12:00-13:30。钉钉/企业微信打卡，每月补卡≤3次。

Step 3：添加上下文
在编排界面下方找到「上下文」，点击「添加」→ 勾选刚才创建的「长江科技员工手册知识库」。

Step 4：调试验证
右侧预览框输入：

“我累计社会工龄3年，去年9月转正，现在有多少天年假？怎么申请？”