土猛的员外
在企业AI落地实践中，数据/知识质量 是AI可靠性的基石。这一点可用一句俗语概括：垃圾进，垃圾出。如果输入给AI系统的是过时、混乱甚至错误的知识，那么AI输出必然难以令人满意。现实案例表明，不少企业最初构建的知识库缺乏质量管控，导致AI引用了错误版本的政策文件，给出了错误解答。之所以出现这种偏差，正是因为纯粹的技术方案缺乏对知识时效性、权威性的考量 。因此，在启动任何AI应用之前，企业必须先确保其知识语料“干净”和“新鲜”，为AI模型提供高质量、高可信度的知识原料 。正如TorchV AIS知识引擎所强调的，知识构建环节的使命就是从源头上解决“垃圾进，垃圾出”问题，确保进入AI系统的是高质量、高纯度的内容 。
许多企业早期尝试采用 RAG方案，将大语言模型与企业内部知识库相结合，希望快速构建问答机器人。然而实践证明，RAG方案在生产环境中高达70%以失败告终 。造成失败的根源往往在于对知识管理缺乏系统性方法论，导致以下常见陷阱：
本文看点：
数字员工是一种可以提供生产力的软件，其的价值可以用人效衡量，
软件不仅仅只是服务（SaaS），也可以是“软件即人效（SaaP）”。
在上一篇《企业AI落地三部曲1：为什么95%的企业AI项目失败》中，我们提出了一个判断：企业要真正释放 AI 的生产力，最终一定会走向“数字员工军团”。在我看来，数字员工并不是某一种具体形态的产品，而是企业 AI 落地的终极组织形态。原因并不复杂，至少体现在四个方面：
事实上，在ChatGPT 3横空出世不久，B端市场就已经出现了“数字员工”的概念，只是前面一直处于畅想阶段，未见落地。
直到2025年3月，因参与某银行项目，我们算是第一次近距离接触到了一家大型金融机构正在系统性开展数字员工工程。当时，TorchV 正在全力聚焦于“成为国内领先的企业级 AI 知识库厂商”，我们自己并没有明确的数字员工视角——原因也很简单：我们没有管理过成千上万人的组织，对“人效”提升的感知并不直观。而极致人效问题，恰恰是大型企业 CXO 们最迫切、也最无法回避的挑战。而对于某银行来说，他们在实施数字员工的过程中发现需要有一个可以支撑知识治理、权限控制和高精度RAG能力的知识库作为数字员工的支撑底座，因为数字员工所需的主动性、长期记忆与组织化协作等特质，恰恰是TorchV KBS（可以认为是某银行专有版的TorchV AIS）这样的知识引擎最本质的能力。
别把AI当作“工具”，而是要当作“员工”来设计。
这正是“数字员工”概念的来源，我们会在第二篇中展开。
2025年的企业技术领域的发展很有意思。一方面，全球在人工智能领域的支出预计将突破6000亿美元，基础设施和应用投资的同比增幅高达76%。然而，在这场资本狂欢的阴影下，一个残酷的统计现实正困扰着每一个渴望数字化转型的董事会和CIO：高达95%的生成式AI试点项目未能成功投产，更别说产生商业价值了。这一判断也与 MIT报告《The GenAI Divide》中提到的数据，以及Gartner 对“AI Pilot-to-Production Gap”的研究结论都高度一致。
这便是“生成式AI鸿沟”。本文作为《企业AI落地三部曲》的首篇，旨在通过我们近两年在企业AI落地实践中的教训与经验，为企业技术决策者提供我们的独特视角。时间到了2025年底，企业AI落地的失败已经不能再归咎于模型能力的不足——GPT-5.2与Claude 4.5等模型已足够强大。企业往往陷入了“忽略业务目标”、“单纯技术迷信”、“混淆个人与企业AI差异”这三大误区。
本系列目前的计划是三篇，每周一篇，分配是：
以下是上篇内容。
在所有导致企业AI项目夭折的因素中，最致命的并非技术本身，而是战略出发点的偏离。正如思维导图所强调的，“忽略业务目标”是失败的根源。太多的企业陷入了“为了做AI而做AI”的怪圈，将手段异化为目的。
导读：
- 为什么企业AI落地往往不顺？
- 重新认识一下知识，不是数据，也不是文档；
- AI企业知识库不等于RAG；
- 如何将文档、数据变成知识，TorchV对SECI模型的实现介绍。
今年的AI应用里，让我最惊艳的应该是Gemini的Deep Research（pro版本）和Manus了，似乎AI真的走到了自己思考和执行事项的时代，相信已经用上这些产品的朋友会有同样的感叹。
但别急，我也发现了它们的一些局限。
也许用显微镜看的时候，它们的局限会很多，比如相对来说还比较高的执行失败率，或者明明规划路径是对的，最终结果却未达预期。但对我来说，最大的差距是Deep Research在规划时不能理解企业特有的业务流程，造成很多它们给的结果明明很好，但和我的业务无关，特别是企业自身的知识无法用几句话就讲清楚的时候，再聪明的AI也无法理解企业知识。
所以你猜到了，我想说的就是在真正的企业AI应用中，没有知识库是不行的。就像你请了一个国际高级咨询师，如果人家完全没有了解公司业务和知识的情况下，给你开了三天闭门会，也许你会觉得如沐春风，然并卵。
主要内容：
TorchV创业一年半的经历，以及对产品和市场的感想。
我们对AI企业知识库的定义。
昨天（2025.05.29）是TorchV创业一年半的日子，本来不想写什么的，因为最近被业务推进的速度摧残的都没有好好休息。但是突然看到红薯老师的文章里面引用了Srinivas Rao的《99% 的 AI 初创公司将在 2026 年前消亡》，让我突然有想写一篇创业感想的冲动。在这个时候看到这篇文章，应该说也算是一种警醒，至少会让我去好好总结和思考。AI有很多方向，我们到底应该聚焦在什么方向上。
Srinivas Rao的《99% 的 AI 初创公司将在 2026 年前消亡》观点带有一些悲观色彩，他分析99%AI初创公司消亡的主要原因缺乏真正的技术护城河，仅仅是依赖类似openai、anthropic等公司的大模型提供的API来进行包壳。这其实也是我们一开始创业就考虑的问题，不是因为我们多么有先见之明，而是实力不允许。所以我们一路走来，不自觉地就往更落地的方向走去了，去做AI企业知识库，而不是高举高打那些非常性感的技术和应用。就像《投名状》里面的台词：有希望打赢的仗，绝对轮不到我们上，让我们上的，肯定是没希望打赢的。把没有希望打赢的仗打赢，我们才有机会，但仅仅是个机会。你说很难？但不难根本轮不到你。当然，我们的处境还不至于如此凶险，但是低头看路是我们生存之道。
下面是我们创业的一些历程，以及一些思考。写的比较仓促，大家就当流水账看吧。
转眼到了2024年尾，和小伙伴一起创立TorchV也接近一年。虽然这一年做了很多事情，但从技术层面上来说，RAG肯定是不得不提的，所以今天分享一下作为大模型应用创业者所感知的这一年，RAG技术和市场环境的变化。
首先申明，本文更多来自于本人主观感受，且内容更多是回顾性的结论，不建议作为其他文章的引用材料。
主要内容包括：
- RAG技术变化
- 主要架构变化
- 技术细节变化
- 市场需求变化
- 上半年：AI无所不能，大而全；
- 下半年：回归理性，小而难；
- 明年预测：应用才是王道；
- 从业者变化。
其中技术部分放在上篇，市场需求变化放在下篇。
RAG（检索增强生成）其实是由两部分组成的，分别是检索和大模型生成。当然，既然有检索就必然会先有索引，包括chunking、embedding等动作都是为了建立更好的索引。因为我们之前从零开始创建并运营了一个千万级用户的智能问答类产品，所以在2021年左右其实就已经采用Java技术栈在使用RAG里面“RA”的大部分技术了。在2023年年中，RAG这个词突然火了起来，于是我们就立马就扑进去了，而且相信RAG在企业应用领域比纯粹使用大模型会更具实用性，至少在三年之内是这样的（随着最近传闻Scaling Law遇到瓶颈，好像这个时间还有可能被推后）。短短几个月，RAG开始的火爆程度甚至有超过LLM的趋势，在2024年1月我甚至还参加了“共识粉碎机”的EP15讨论会，主要话题就是“2024年是否会成为RAG元年？”。
原作者：Deval Shah
图：RAG 中的倒数秩融合（图片由作者提供）
检索增强生成 （RAG） 是自然语言处理中的一种强大技术，结合了基于检索的模型和生成模型的优势。
检索阶段可以成就或破坏您的 RAG 管道。
如果检索器未能从检索器中获取相关文档，则精度较低，幻觉的可能性会增加。
有些查询适合基于关键字的检索技术，如 BM25，而有些查询在密集检索方法中可能表现得更好，其中我们从语言模型嵌入了 embedding。有混合技术可以解决这两种检索方法的缺点。
在这篇博文中，我们将深入探讨 RRF、它的机制、数学直觉和在 RAG 系统中的应用。
