KeyFrame內部研究專用

普通 AI 答對率 0%,它能答對 85%!打造屬於你的企業級 RAG 數據管道

李哈利 | AI17 min中文
觀看原始影片

三句話摘要

拆解企业级RAG知識庫系統架構,展示如何用AI快速構建高精度的知識檢索系統。 企業級RAG從複雜架構設計簡化為提示詞驅動的自動化流程,這是AI時代提升團隊效率的真正利器。 市面知識庫大多是粗糙RAG實現,只能存儲卻無法精確檢索;Cerebras方案的關鍵是在向量化前增加預處理層,用LLM自動為原始數據分類標籤(技術摘要、解決方案等),使得相同內容從多維度被組織,大幅提升檢索準確度。

重點整理

  1. 市面知識庫大多是粗糙RAG實現,只能存儲卻無法精確檢索;Cerebras方案的關鍵是在向量化前增加預處理層,用LLM自動為原始數據分類標籤(技術摘要、解決方案等),使得相同內容從多維度被組織,大幅提升檢索準確度。

  2. 傳統RAG的流程是「接收數據 → 直接嵌入 → 存儲」,新架構改為「接收數據 → 結構化整理 → 多維標籤化 → 嵌入 → 存儲」,這個順序差異直接決定了從「有個答案」到「有對的答案」的品質跳躍。

  3. 通過組合Claude、Gemini 2.5 Flash、Openrouter API的權限,使用者完全不需要學習複雜架構,只需給大模型一個詳細提示詞,就能自動完成數據接入、批量測試、評分計算、bug發現與修復的全流程。

  4. Cerebras知識庫三個月內每天處理超過1.5萬次員工提問,無需人工訓練即可服務新員工,這才是真正提升企業ROI的工具,遠勝Obsidian等圖形化界面產品。

實用技巧與重點

  • 數據規模統計:
  • 總文檔數:4,118份
  • YouTube視頻:695個
  • YouTube片段:1,482個
  • GitHub代碼區塊:1,271個
  • GitHub文檔:158個
  • GitHub評論:42個
  • 郵件對話:228個
  • 郵件片段:242個
  • 評測結果(20道題):
  • 總分:83/100
  • 完全正確:13題
  • 部分正確:5題
  • 未答出:1題
  • 幻覺:1題
  • 性能指標:
  • 向量檢索MRR(平均倒數排名):0.864
  • 答案得分:72%
  • 耗時:1.6秒
  • 檢索準確率:95%
  • 技術工具組合:
  • 主模型:Claude(架構設計與執行)
  • 評審與出題模型:Gemini 2.5 Flash
  • Embedding模型:Google 2.5 Flash
  • API平台:Openrouter
  • 數據接入:Slack API、GitHub API、YouTube API、Email、MCP
  • Cerebras知識庫運營數據:
  • 上線時長:3個月
  • 日均查詢量:15,000+次

結論

企業級RAG從複雜架構設計簡化為提示詞驅動的自動化流程,這是AI時代提升團隊效率的真正利器。

完整解析

市面上流行各式知識庫工具,從Obsidian到各類「第二腦」應用,它們都提供漂亮的關係圖和可視化介面。但核心問題一致:儘管能存儲資料,卻無法精確從知識庫中提取所需答案。Cerebras這間由AI硬體業務支撐的百億美元級公司最近公開了其內部知識庫系統的架構設計。這不是理論框架,而是實際運行三個月、每天處理超過1.5萬次查詢的生產級系統。

系統分三層架構。第一層是數據存儲,通過統一管道吸收散落各處的資料:Gmail、GitHub代碼、內部數據庫、Slack訊息等。關鍵創新在於預處理步驟。傳統RAG做法是直接向量化存儲,Cerebras則在嵌入前使用大模型自動分析並標籤化原始資料。例如對聊天記錄,系統會自動抽取出問題、解決方案、技術討論等多個維度的信息塊,按內容類型分類儲存。同一條原始資訊會從多角度被組織,確保後續檢索時能更精確匹配使用者意圖。

作者按這套架構用Claude實際演示了從零構建的完整過程。只需一個詳細提示詞,Claude自動讀懂官方文檔,集成Gmail、GitHub、YouTube頻道數據,生成含4118份文檔的知識庫。系統處理了695個YouTube視頻、1482個片段、1271個GitHub代碼區塊、228封郵件對話。為驗證系統品質,作者設計了嚴格評測方式:用LLM根據真實文檔反向生成20道測試題,再讓RAG系統從知識庫檢索答案,與標準答案對比。最終得分83分(滿分100),完全正確13題、部分正確5題、未答1題、幻覺1題。MRR準確率達0.864,平均檢索耗時1.6秒。驚喜的是系統在評測中自動發現了兩個bug並修復,使得分數從78升至83。

這次實驗有力證明了Cerebras架構的實用性。比起傳統新員工培訓,AI知識庫讓員工無需提問他人,直接與系統對話就能獲得完整上下文答案。這才是真正能提升企業投資報酬率的工具。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。