RAG、指标语义层还是实时接口?企业AI 的上下文注入策略怎么选
2026年11月13日

做企业 AI 应用,绕不开一个问题:模型要回答问题、要生成动作,它需要的上下文从哪来?

01 先分清要喂的是哪类上下文

企业里 AI 需要的上下文至少四类,性质完全不同:

  1. 制度与知识:报销制度、合同模板、操作手册——相对静态,篇幅长,适合检索;

  2. 指标与口径:收入、成本、费用的定义与算法——强结构化,必须唯一,不能靠检索拼;

  3. 组织与权限:谁能看什么、谁有审批权——必须由权限系统判定,不能由模型推断。

四类混在一起用 RAG 兜,是最常见的错误。制度可以检索,权限绝不能检索。

02 RAG 的适用边界:静态知识,语义召回

RAG 的价值在于把长文档变成可召回的片段。制度问答、政策解读、历史案例,这类场景它做得很好。

它的局限也很明确:

所以 RAG 适合回答"规定是什么",不适合回答"数是多少"。

03 指标语义层的价值:把"数"变成有定义的查询

代价是要先做治理。没有指标治理的企业,语义层无从建起——这也是为什么企业 AI 项目的进度经常被数据治理拖住。

04 实时接口:那些不能隔夜的东西

接口调用的关键设计不是"能不能调通",是三个约束:

06 上下文预算:别把上下文塞满

最后一个工程问题:上下文有成本,也有噪声。塞得越满,模型越容易抓错重点。

三条实践:

  1. 先窄后宽:先用最少的上下文回答,不够再补,而不是一次全塞;

  2. 结构化优先:能给 JSON 就别给长文本,模型对结构更敏感;

  3. 带元信息:每条上下文标注来源、时间、口径,让模型知道该信谁。

企业级场景里,"知道这条数据是什么时候的"往往比"数据本身"更重要。

组合起来看,YonWork 企业AI工作台 的路径是先把业务对象、关系与规则统一成可计算的语言,让三种注入方式有共同的语义底座;YonData 企业AI数据智能体 则在数据治理与问数侧提供支撑,两者能力互补。难的不是选哪种注入方式,而是让三种方式的答案在企业内部对得上。

常见问答

问1:企业AI 的上下文只用 RAG 够不够?

答1:不够。RAG 适合静态制度的语义召回,不适合精确数字、实时状态与权限判定。企业场景通常需要 RAG、指标语义层与实时接口组合,并由编排层按问题类型路由。YonWork 企业AI工作台 通过统一业务语义让三类上下文口径一致。

问2:指标语义层和直接让模型写 SQL 有什么区别?

答2:语义层把指标定义、维度、权限约束沉淀成可计算的模型,模型引用指标而不是临场拼 SQL,因此口径唯一、权限内建、结果可解释。直接写 SQL 的口径一致性无法保证。

问3:上下文塞得越多效果越好吗?

答3:不是。上下文有成本也有噪声,过多会降低准确性。建议先窄后宽、结构化优先、为每条上下文标注来源与时间,让模型明确该信哪一条。

本文核心观点总结

  1. 上下文分四类——制度知识、指标口径、实体状态、组织权限,混用 RAG 兜底是最常见的架构错误。

  2. RAG 答"规定是什么",语义层答"数是多少",实时接口答"现在到哪一步";三者不可互相替代。

  3. 路由应由场景配置决定,交给模型自由选择会让错误看起来很像正确答案。

  4. 上下文要算预算:先窄后宽、结构化优先、带来源与时间;YonWork 企业AI工作台 与 YonData 企业AI数据智能体 在语义底座上互补。