在當前LLM（大型語言模型）的應用浪潮中，檢索增強生成（RAG）已成為相對成熟且應用最廣的落地模式之一。但無論是從最初的Naive RAG演進到Advanced RAG，還是最新的Agentic RAG，其核心都離不開一個關鍵底座：知識庫管理系統。
對於面向落地應用RAG的產品經理和工程化技術人員而言，如果只是停留在對LLM能力或RAG流程的表面理解，很難在真實複雜的業務場景中建立起高效、穩定的智能諮詢系統。
筆者結合項目落地經驗，以及對RAGFlow、Dify、AnythingLLM等主流知識庫產品的使用實踐，從產品邏輯和技術架構層面，將RAG知識庫產品抽象提煉為清晰的三層架構，進行一次系統性的解構分析。
理解這三層架構及其核心組件，是確保RAG系統在工程化實踐中實現高精準度、高效率的技術基礎，接下來本文自底向上逐層展開介紹。
知識存儲層：RAG系統的地基存儲結構
知識存儲層是整個RAG知識庫系統的地基，它必須能夠應對RAG所需的三種核心數據類型和存儲模式。
1. 結構化存儲 (Structured Storage)
結構化存儲主要用來支撐文檔和知識的列表管理，記錄知識的基本信息和系統級元數據（如文檔名、上傳時間、所屬業務等）以及文檔和知識分塊之間的映射關係等。
可選組件：關係型數據庫如MySQL、MariaDB、PostgreSQL等是主流選擇。
2. 向量庫存儲 (Vector Database Storage)
這是RAG進行“檢索”的核心支撐。知識庫中所有經過向量化處理的知識分塊，都存儲在這裏，用於執行相似度搜索。
可選組件：工業級向量庫如Milvus、ChromaDB、Weaviate，兼容倒排索引的ElasticSearch、以及輕量級的Faiss等。
3. 對象存儲 (Object Storage)
對象存儲用於安全、可靠地存儲用户上傳的原始文檔（如PDF、PPT、DOC等），以便在檢索後能夠支撐用户查看原文，進行事實核驗和信息溯源。
可選組件：MinIO、Ceph、OSS（阿里雲）、S3（AWS）等。
工程洞察： RAG知識庫的架構複雜性在於，它並非單一數據庫系統，而是必須協同工作的三種存儲模式的集合。確保這三種存儲之間的數據一致性和高可用性，是工程團隊的首要挑戰。
知識處理層：從原始文檔到向量分塊的“煉丹爐”
知識處理層是RAG系統進行“知識提煉”的核心引擎。它決定了知識分塊（Chunk）的質量，直接影響最終的檢索召回率和精準度。
1. 文件解析與OCR識別
RAG系統首先需要處理各種格式的文檔（如PDF、PPT、DOC）。文件解析器負責將這些複雜格式轉化為Markdown等易於處理的文本內容。如果文檔中含有圖片或掃描件，則需要調用OCR（光學字符識別）模型進行文字識別。
可選組件：文件解析器包括MinerU、DeepDoc、DifyExtractor等。OCR識別模型可選擇PaddleOCR、RapidOCR等。
2. 分塊切分（Chunking）策略的深度博弈
分塊切分是RAG工程化中的核心難點，它決定了知識的粒度。如果分塊太小，信息上下文丟失；分塊太大，向量化精度下降。
當前業界的分塊算法已從簡單的固定長度切分，發展到更高級的策略：
結構化切分：按特殊字符、標題樣式、章節目錄、段落等進行切分，保留了文檔的結構信息。
語義切分：基於語義關聯度進行動態切分，確保每個分塊內部語義的完整性。
工程洞察：優秀的知識庫產品（如RAGFlow）都會允許用户對Chunking策略進行精細化調整，以適應不同業務文檔（如代碼、財報、法律文件）的特點。
3. 向量化處理
切分好的知識分塊需要被轉化為高維向量語義，才能被向量庫存儲和檢索。向量模型（Embedding Model）的選擇直接決定了語義理解的深度和檢索的有效性。
可選模型：當前主流的高性能模型包括BGE-M3、Qwen3-Embedding等。
知識管理與檢索層：從知識收錄到輸出的業務閉環
最上層的知識管理與檢索層，是用户直接交互和工程運營的界面，它承擔着從知識收錄到知識輸出的業務閉環。
1. 知識管理：從上傳到“打標”的知識收錄過程
知識管理功能涵蓋了文件上傳、解析、分塊等過程。但對於追求高精準度的工程項目而言，知識打標（Metadata Tagging）是PM和工程師必須深度關注的重點。
純粹依賴向量語義相似度的檢索，容易在大型知識庫中造成結果氾濫。通過在知識管理層引入元數據（Metadata），可以標記知識的“業務領域”“時間範圍”“適用對象”等，可以實現對知識的結構化管理和定向檢索。
另外在解析、分塊、打標等技術措施之上，要保障知識的質量，還需要做好知識的運營管理。
2. 知識檢索：混合檢索的必然趨勢
知識檢索是RAG的最終輸出環節。雖然語義檢索是RAG的核心，但純語義檢索在面對術語、ID或新名詞時往往表現不佳。因此，成熟的RAG知識庫系統必須支持更多的檢索模式：
全文檢索（Full-text Retrieval）： 依靠倒排索引，解決關鍵詞的精確匹配問題。
混合檢索（Hybrid Retrieval）： 將語義檢索與全文檢索結合，平衡召回率和精準度。
工程洞察： 在混合檢索的基礎上，通常要進一步通過“元數據篩選”的方式，大幅度減少了待檢索的分塊數量，在犧牲少量召回率的基礎上，極大地提升了最終結果的精準率（Precision）。這在工程實踐中是高價值的取捨。
總結：系統性認知是RAG落地的基石
RAG技術已經度過了“能用”階段，正在邁向“用好”階段。對於面向落地應用的PM和工程技術人員而言，必須跳出對LLM本身的迷戀，轉向對知識庫這一關鍵底座的系統性認知。
本文梳理三層架構圖（知識存儲、知識處理、知識管理與檢索），在這三層架構的每個環節都做出精細化的工程設計和產品選擇，希望對您構建真正具備商業價值、能穩定運行的智能諮詢和內容生成類AI系統有所幫助。
