先说一个在教育学里做过很多次的实验。1960 年代心理学家 David Ausubel 研究了一个问题为什么学生能背出课本里所有的定义但遇到新题目还是不会做他的结论是记住知识的表述和真正理解知识的结构是两件不同的事。他把这个区别叫做机械学习和有意义学习前者是把新信息挂在记忆里后者是把新信息嵌入已有的概念网络知道它和其他东西的关系。这个区分在今天看来显而易见但它精确地描述了 RAG 在教 AI 操作业务系统这件事上遇到的困境。RAG 是做什么的RAGRetrieval-Augmented Generation的基本思路是AI 回答问题时不只靠训练时学到的知识还可以从外部文档库里实时检索相关片段把它们拼进上下文再生成回答。用检索来增强回答的效果缩写为 RAG。这个思路在知识问答场景里有真实价值。比如公司内部的规章制度问答把所有制度文件向量化存起来用户提问时检索最相关的几段AI 基于这几段回答——结果的准确性和可追溯性都比纯靠模型记忆要好得多。问题出在当你想用 RAG 来教会 AI 操作业务系统的时候。操作手册喂进去然后呢一个直觉上很合理的做法把系统的操作手册、接口文档、字段说明全部向量化存进知识库。当 AI 需要调用系统时先检索相关文档再根据文档生成调用方式。比如把波音 737-800 的飞行操作手册交给你你能开飞机吗手册里确实写了起飞程序推油门到 N1 转速达到某个值松刹车速度到 V1 之后不能中断起飞到 VR 拉杆到 V2 保持爬升姿态。步骤写得很清楚。但手册默认你已经知道一些它不会解释的事比如地速和空速的区别。地速是飞机相对于地面的速度空速是飞机相对于气流的速度。产生升力的是空速不是地速。逆风起飞时地速 130 节但空速可能已经 150 节飞机已经可以离地顺风起飞时同样的地速空速更低需要跑更长的距离才能起飞。手册里标注的 V 速V1、VR、V2是空速不是地速。如果你不理解这个区别手册上的数字对你来说是没有意义的。再比如襟翼。手册里有一张表列出不同起飞重量下建议使用的襟翼档位Flaps 1、5、10、15……。但手册不会告诉你为什么襟翼增大了机翼的弯曲弧度和面积在低速时提供额外升力代价是增加阻力。档位越大起飞速度越低但加速也越慢适合跑道短的机场档位小起飞速度高但阻力小适合长跑道高温高原场景。这些权衡关系是航空领域的领域知识不是飞机操作手册的内容。手册假设你已经理解了这一层只告诉你结论。用 RAG 把操作手册喂给 AIAI 得到的是手册里写了的东西比如步骤、参数、数值。但它得不到手册默认你已经知道的那一层概念之间的物理关系、约束来自哪里、在什么条件下哪个参数的优先级更高。没有这一层AI 拿着手册也只是在做文本匹配碰到稍微偏离手册描述的情境就会失效。业务系统的情况完全类似。切片之后上下文断了RAG 的工作方式是把文档切成片段每个片段单独向量化存储。检索时根据问题找到最相关的若干片段拼进上下文。对于知识问答这个切法是够用的。年假政策是什么这个问题对应的答案通常在文档的某一段里检索到那段就行。但业务系统的操作不是这样的。考虑一个创建采购订单的操作接口文档里写了这个服务端命令的名称和参数列表参数里有一个供应商ID字段具体的供应商 ID 需要先查供应商表供应商表的结构在另一个文档里创建之后还需要触发审批流审批流的规则在第三个地方这四段信息分散在不同文档的不同位置切片之后大概率不会同时出现在检索结果里。即便每一段都被正确检索到把它们拼成一个连贯的调用链路需要 AI 自己完成跨片段的推理——而这个推理所依赖的概念关系恰好没有被任何片段显式地表达出来。AI 知道有一个创建采购订单的命令知道有一个供应商的概念但它不知道这两者之间的调用依赖关系因为这个关系没有出现在任何一段文本里——它存在于系统的数据结构里不在文档里。Ausubel 的问题在这里重演了回到开头的实验。学生能背出定义但不会解题原因是他们掌握的是孤立的知识点而不是知识点之间的关系网络。RAG 做的事本质上是给 AI 提供了一批可以背出来的知识点——接口名叫什么、参数有哪些、返回值是什么。但它没有告诉 AI 这些知识点之间的结构关系这个接口依赖哪个实体这个实体有哪些属性哪些操作会影响哪些数据。Ausubel 把他的解法叫做先行组织者Advance Organizer——在学习具体内容之前先给学习者提供一个高层次的概念框架让新知识有地方挂载。实验证明有先行组织者的学习组在迁移测试上的表现显著优于直接学习具体内容的对照组。这个思路用在 AI 身上对应的就是在让 AI 接触具体接口文档之前先给它一个结构化的概念图这个系统里有哪些实体实体之间是什么关系每个实体上有哪些动作动作之间的依赖是什么。这不是文档是一个显式的知识结构。RAG 给的是前者本体给的是后者。另一个角度程序性知识和陈述性知识认知心理学有一对区分陈述性知识declarative knowledge和程序性知识procedural knowledge。陈述性知识是知道某件事是什么如波音 737 有两台发动机起飞推力各为 27000 磅。程序性知识是知道怎么做某件事在什么状态下推油门推到什么位置然后拉杆然后检查哪些仪表。操作系统手册里绝大多数内容都是陈述性知识字段叫什么、参数类型是什么、返回格式是什么。RAG 能有效传递的也主要是陈述性知识它能回答这个字段是什么意思但很难回答要完成这个业务目标应该按什么顺序调用哪些接口。后者需要的是程序性知识而程序性知识的特点是它依附于结构——只有当你知道实体之间的关系才能推断出正确的操作顺序。这正是本体论切入的位置。本体不是一堆文档而是一个显式的关系图。这个概念属于哪个实体这个动作作用于哪个实体这两个实体之间有什么依赖。有了这个关系图AI 面对一个新的业务目标时能够推导出完成这个目标所需的操作链路而不只是检索出一批相关的文档片段。RAG 在哪里仍然有用说了这么多RAG 在业务系统场景里并不是没有价值只是它的价值位置不同。用 PPT 里的三层框架来说整个 Agent 执行过程分为构建上下文、“执行动作”、分析结果三个环节。RAG 的价值在第一个环节帮 AI 在执行任务之前补充业务规则、历史数据、领域知识。比如AI 要生成一份采购建议RAG 可以帮它找到相关的供应商评级规则、历史合同条款、价格波动记录。这些是辅助判断的背景知识而不是驱动调用的结构信息。调用正确接口、传正确参数、理解返回结果这些事需要的是结构化的本体约束而不是向量检索。两者不是替代关系是分工关系。混淆这个分工把 RAG 用在它不擅长的位置是很多企业 AI 项目走弯路的原因之一。本文是企业AI落地系列的第6篇。下一篇讨论模型微调这条路为什么把业务知识烧入模型是一个听起来彻底、但成本结构很不划算的选择。