RAG与OKF协同：构建Agent可审计知识层

作者：快去debug2026.11.04 06:57浏览量：0

简介：本文厘清检索增强生成（RAG）与开放知识格式（OKF）的定位差异：RAG负责在海量动态语料中检索，OKF负责存放稳定、权威、可审计的结构化知识。读者将理解二者为何不是替代关系，以及如何协同构建既广博又可靠的AI Agent知识体系。

rag-okf-ai-agent-">RAG 与 OKF 协同：让 AI Agent 真正记住关键知识

一、概念定义：两种知识供给方式

在讨论 AI Agent 的知识能力时，常常出现一种误解：似乎每一种新方案都是为了取代检索增强生成（Retrieval-Augmented Generation，RAG）。开放知识格式（Open Knowledge Format，OKF）出现后，这种误解再次浮现。事实上，RAG 与 OKF 从设计目标上就不在争夺同一个位置，它们解决的是两类不同的知识问题。

RAG 是什么：RAG 是一种在 LLM 生成响应之前增加检索步骤的架构模式。模型不再只依赖训练时固化的参数知识，而是先搜索外部知识库，检索出与查询相关的片段，再将这些片段作为上下文注入提示词，支撑最终回答。它回答的问题是：“信息就在这个庞大且不断变化的语料库某处，去把它找出来。”

OKF 是什么：OKF 是一种开放、厂商中立的规范，用于将经过人工或流程整理的知识以纯 Markdown 文件的形式存储，任何 AI Agent 都可以直接读取。它强调知识条目之间关系明确、来源可追溯、内容完全可审计。它回答的问题是：“这些内容我们已经确认过，并且已经清楚地写在这里，直接读就行。”

一句话概括二者的分工：RAG 负责检索，OKF 负责记忆。

二、背景与价值：为什么需要两种架构

每隔一段时间，技术社区就会出现一种“RAG 终结者”的论调：更长的上下文窗口、微调、图增强检索、Agent 化检索等。这些方案确实拓展了能力边界，但都没有改变一个基本事实——RAG 面对的是大型、混乱、快速变化的语料库，它的优势在于广度与时效，代价是结果的概率性和不确定性。

而企业真正关键的知识——制度规范、产品口径、术语定义、业务流程、合规要求——往往是稳定、权威、确定且数量有限的。这类知识不需要“猜”或“检索排序”，它需要的是被准确读取、被引用、被审计。把这类知识塞进向量库让模型去近似匹配，既浪费检索预算，也引入了不必要的不确定性。

OKF 的价值正在于此：它为 Agent 提供了一个经过整理的知识层，让“确定的知识”以确定的方式被读取。RAG 并未因此被消灭，反而被解放出来，专注于它真正擅长的工作——在动态语料中做召回。

三、核心组成与工作原理

3.1 RAG 的典型流程

一个标准的 RAG 流程通常包含以下环节：

  1. 文档接入与切分：将异构文档解析为文本块，按语义或长度切分；
  2. 向量化与索引：通过嵌入模型将文本块转为向量，写入向量索引，并可辅以关键词索引做混合检索；
  3. 查询改写：对用户问题进行重写、扩展或拆分，提升召回率；
  4. 召回与重排：先粗召回候选片段，再用重排模型精排；
  5. 上下文组装与生成：将精选片段拼接进提示词，交由 LLM 生成答案，并附引用来源。

其本质是“先找后答”，答案质量高度依赖召回质量与语料质量。

3.2 OKF 的典型结构

OKF 以纯 Markdown 文件为知识载体，其核心特征可以概括为：

  • 文件即知识单元：每个知识条目是一个可读、可版本化的 Markdown 文件，天然适配代码仓库与版本管理流程；
  • 显式关系：条目之间通过链接、引用或结构化元数据表达关系，形成可遍历的知识网络；
  • 来源可审计：每条知识可标注来源、责任人、更新时间与适用范围，便于追溯与复核；
  • Agent 可直接读取：无需嵌入模型与向量检索，Agent 按路径或索引直接加载所需知识。

一个示意性的知识条目结构如下（伪代码，仅表达结构而非具体规范）：

  1. # 术语：知识层
  3. - 定义：经过整理、稳定且权威的知识集合
  4. - 适用范围：内部问答、流程指引
  5. - 关联条目：[检索层](./retrieval-layer.md)
  6. - 来源：内部规范文档
  7. - 更新日期：2026-06

3.3 协同工作方式

两者协同的典型模式是“先读确定知识，再检索动态信息”：

  1. Agent 接到问题后，先查询 OKF 知识层，判断是否存在权威定义或既定口径；
  2. 若 OKF 命中，直接以该知识为准，并在回答中引用条目来源；
  3. 若 OKF 未覆盖，则转入 RAG 流程，在动态语料中检索补充；
  4. 生成阶段将两类上下文分层组织：OKF 内容作为“事实基线”，RAG 片段作为“补充证据”；
  5. 对 RAG 检索到的高价值、稳定结论，可经人工审核后沉淀回 OKF，形成知识闭环。

这种分层设计的直接收益是：确定性问题由确定知识回答，开放性问题由检索兜底，二者各司其职。

四、典型适用场景

  • RAG 更适合：文档量大且持续更新的知识库问答、跨系统日志与工单检索、法规与舆情等时效性强的信息查询、长尾问题的开放式探索。
  • OKF 更适合：企业术语与口径统一、制度与合规条款、产品能力边界说明、标准操作流程、Agent 行为规范与工具使用说明等需要稳定、可审计的知识。
  • 二者结合更适合：面向企业内部的智能助手、需要引用出处的专业问答系统、多 Agent 协作中的共享知识底座。

五、相关概念区别与使用注意事项

区别要点：RAG 是运行时架构模式，关注“如何在语料中找”；OKF 是知识组织规范，关注“如何把确定知识写清楚、存规范”。前者偏检索工程，后者偏知识治理。二者不是替代关系，也不存在“谁终结谁”的问题。

使用注意事项：

  1. 知识分层要明确：哪些知识进 OKF、哪些留在 RAG 语料库，应有清晰判定标准，避免重复维护与口径冲突；
  2. 治理机制要跟上：OKF 的权威性来自审核流程与责任人机制，缺少治理的“整理知识”会退化为另一份混乱文档；
  3. 检索质量仍需优化：切分策略、混合检索、重排等环节直接影响 RAG 效果，不能因引入 OKF 而放松；
  4. 引用与审计：无论走哪条路径，回答都应可回溯到具体条目或片段，满足可审计要求；
  5. 同步与版本：OKF 条目变更需有版本记录，RAG 索引需有更新策略，避免知识陈旧。

六、总结

RAG 与 OKF 不是同一场竞赛中的对手。RAG 是检索主力，擅长在大型、混乱、快速变化的语料库中召回相关信息；OKF 是经过整理的知识层，存放稳定、权威、确定的知识，关系明确且完全可审计。理解“RAG 负责检索、OKF 负责记忆”这一分工，就能看清二者的协同价值：让确定的知识被确定地读取，让开放的问题被广泛地检索。对构建可靠 AI Agent 的团队而言，重要的不是选择其一，而是建立分层知识体系，并配套相应的治理与审计机制。

最热文章