知识库、RAG、Agent、工作流不是四选一,而是四层组合:先分清每一步是“查”、是“算”、还是“动手”,再决定每一层用什么。最常见的错误是跳过分层,直接上 Agent——让一个自主系统去做确定性的事,既贵又不可控。

采购前先问清的几个问题

  • 哪些问题只靠检索就能回答,哪些需要执行操作?两者混在一起,是大多数 Agent 项目失控的起点。
  • 写操作有哪些——改数据、发邮件、下单、调系统?每一项写操作由谁审批、能否撤销?
  • 现有系统有哪些接口?知识分散在哪些地方(文档、Wiki、工单、CRM),权限分别怎么管?
  • 知识的更新节奏如何?哪些内容每周变、哪些每年不变?过期知识如何发现与清理?

技术判断方法

按确定性分层,从简单到复杂:

  • 知识库:结构化事实先行。产品参数、价格、政策、流程——能写成结构化条目的先结构化。结构化知识的回答是可验证的,不依赖模型猜测。
  • RAG:非结构化检索。文档、手册、历史工单用检索增强生成:先检索相关片段,再由模型基于片段回答,并给出引用来源。微软的 RAG 技术概述把这一模式说得很清楚:检索质量决定回答质量,引用可追溯是基本要求。
  • 工作流:确定性的多步骤。步骤可以事先画出来、顺序固定、分支有限——用工作流,不用 Agent。工作流的每一步都是可预测、可测试、可审计的。
  • Agent:不确定性的多步骤。只有当步骤无法事先确定、需要根据中间结果自主判断下一步时,才值得用 Agent。Anthropic 的实践指南给出的判断标准是:任务越需要自主决策,Agent 的价值越大;反之,工作流更便宜、更可靠。

四层之间有一条硬规则:读与写分车道。检索与回答可以放开,写入与执行必须经过权限检查与人工审批——这就是门控写入。Agent 可以提议,但不能擅自执行写操作。

适用范围

这套组合适用于知识密集型业务:客服、内部支持、合规查询、销售支持——问题有据可查、回答需要引用来源、执行需要审批。它不适用于:实时性要求极高的控制场景、无知识沉淀可供检索的业务、以及纯计算任务(后者不需要语言模型参与)。

风险

  • 检索幻觉与引用失真。RAG 回答可能引用不存在的片段,或把片段的意思说错。评测集必须覆盖引用准确性,而不只是回答流畅度。
  • 知识过期。检索系统不会自动知道文档过时了。知识库需要明确的更新责任与过期清理机制。
  • 权限泄露。RAG 可能把用户无权查看的文档内容检索出来、写进回答。检索必须绑定调用者的权限,权限模型要在检索层、而不在展示层实现。
  • Agent 失控执行。给了 Agent 写权限又没有审批门,等于把系统钥匙交给了概率系统。写操作必须门控,这是不可谈判的底线。
  • 过度编排。四层全上、多 Agent 协同,听起来先进,实际是把简单问题复杂化。先跑通一层,再决定要不要加下一层。

交付清单

  • 知识源清单:来源、格式、更新责任、保密级别、权限映射
  • 检索评测集:真实问题样本、期望引用、通过阈值
  • 工作流图:确定性流程的步骤、分支、异常处理
  • Agent 权限矩阵:可读、可写、需审批的操作清单
  • 审批规则:哪些写操作需要人工审批、审批时限、兜底流程
  • 审计方案:检索记录、执行记录的保存与查询方式

资料来源

下一步:如果你正在规划知识库与 Agent 的组合,可以先看Negency 企业 AI Agent 开发、咨询与系统集成——企业知识库与 RAG、Agent 工作流、MCP/API 工具集成是其十一项能力的一部分;也可以从AI 场景初筛开始,确认你的场景适合哪条服务线。