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?
企业里 AI 需要的上下文至少四类,性质完全不同:
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;
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;
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。
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:
聚合无能:问"今年累计差旅费多少",检索给不出准确汇总;
无法保证唯一:同一制度有多个版本时,召回哪一版不由你决定。
所以 RAG 适合回答"规定是什么",不适合回答"数是多少"。
口径唯一:同一个"毛利率"在任何场景下算法一致;
权限内建:查询自动带上权限过滤,不需要 AI 自己判断能不能看;
可解释:回答能说明"用了哪个指标、哪个维度、哪张表"。
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。
接口调用的关键设计不是"能不能调通",是三个约束:
超时:设定合理超时,超时按"结果未知"处理而非失败;
幂等:查询类可以重试,写操作按幂等键判重;
限额:给 AI 的接口调用设频率与额度上限,避免一个循环把系统打挂。
问规定 → 检索制度库,附出处;
问指标 → 走语义层,附口径与时间范围;
问状态 → 调实时接口,附数据截止时间;
问能不能做 → 先权限判定,再答。
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:
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;
结构化优先:能给 JSON 就别给长文本,模型对结构更敏感;
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
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。
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。
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。
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。