面对AI生成的回复，我们通常会进行审阅、检查和修改，不会直接用作成果。就是企业用AI的难点：回答能不能被验证、能不能追到原始依据。

通用大模型未接入企业知识库时，可能会生成和事实对不上的内容，这类内容流进合同、报价这类环节，存在业务风险。这就要求我们进行知识可信化改造，用检索增强生成和知识图谱把每个回答锚定在企业自有资料上，有助于减少无依据生成，让回答更多建立在可追溯资料上。

首先我们来搞清楚大模型的“幻觉”。

幻觉需应对

幻觉这个词最早出现在医学里，指人清醒时看见、听见并不存在的东西。研究者把它借用到生成式AI上，形容模型输出和事实或给定材料冲突的内容。2022年ChatGPT走红后，这现象被反复讨论，渐渐成了通用说法。

模型为什么会编？其实是它的工作方式问题。它底层是个概率模型，训练目标是依据前文生成下一个词，挑哪个词按概率高低定。其训练目标并不等同于事实校验机制。

无法溯源

溯源这个词原属制造和供应链。工厂每批产品带批次号和流转记录，出问题能一路查回原料和产线，这叫可追溯。到了AI问答里，溯源是指回答要能指认自己依据了哪份文档、哪一段原文。

通用大模型较难提供这一环。它给的答案常是一段整合后的文字，来源和推理路径都收在模型内部。审计和合规都要求指认依据，在审计、合规要求较高的业务场景中，难以直接采用，责任因此难界定。拿不出依据的回答较难满足合规审查要求。

缺少企业专属上下文

公开训练的大模型读过整个互联网，却没读过某家企业的内部制度和产品资料。它不懂这家企业的私有业务，遇到具体问题常常答非所问。员工问完还得自己翻系统重查，刚省下的时间又还回去。

没有专属上下文，模型可能主要依赖公开知识，面对企业专属问题时准确性容易受限。它需要补充的，结果正是企业自己的内部资料。

破局思路

可行的思路是,给模型它本该有的资料，再让它现学现答。

第一种是检索增强生成，缩写RAG。2020年，Meta AI的Lewis等人在NeurIPS发表《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》，首次系统化提出RAG范式：生成回答前，先从企业资料里检索相关内容，拼进上下文再让模型作答。答案受真实文档约束，编造的余地变小。

第二种是知识图谱。知识图谱技术源于谷歌2012年推出的Knowledge Graph项目，把搜索结果背后的实体和关系连成网络。企业版知识图谱自动抽取文档里的人名、机构等实体，再识别"总部位于""包含零部件"这类关系，连成一张能查的网络。它补上的是文字相似度之外的逻辑关联，比如A产品和B供应商的间接联系，靠关键词检索很难发现。

两套机制合起来，有助于将回答指向原始条目。

常见问题

问：什么是大模型幻觉？ 答：模型输出了与事实或给定材料不符的内容。术语借用自医学，原指人清醒时感知到不存在的事物。

问：RAG如何帮助应对幻觉？ 答：它在生成前先从企业资料检索相关内容作为上下文，答案受真实文档约束，有助于提升回答的准确性。

问：知识图谱和向量检索有什么区别？ 答：向量检索按语义相似度找文本片段，知识图谱按实体关系找逻辑联系，两者互补。

问：企业AI回答为什么要可溯源？ 答：审计和合规要求指认依据，在审计、合规要求较高的业务场景中，难以直接采用”，责任因此难界定。

问：混合检索包含哪几种方式？ 答：混合检索把向量、全文、图谱三种检索合在一起，弥补各自短板。