企业内容做RAG优化前要先检查什么？

在做企业内容的RAG优化之前，必须先做一次“RAG可检索性体检”。很多内容看起来不错，但放进向量库就“隐身”了。下面这6项是上线前必查清单，按优先级排好：

一、先查「内容切块质量」（最容易被忽略）

RAG不是读全文，而是读“块（Chunk）”。

重点检查：

• ✅ 每个Chunk是否自包含（不依赖前后文也能看懂）
• ✅ Chunk长度是否合理（建议300–800字，太长难召回，太碎缺上下文）
• ❌ 是否存在“半句话被切断”“表格被拆烂”
• ❌ 是否存在大量无意义的导航文字、页脚版权、重复模板

实操建议：

随机抽10个Chunk，遮住标题，只看正文，问自己：

“如果我只看到这一段，能不能知道它在说什么、属于哪个品牌？”

二、再查「实体与术语一致性」

RAG靠语义相似度，混乱的命名会直接拉低召回率。

重点检查：

• ✅ 品牌名、产品名是否全篇统一（避免一会儿简称、一会儿别名）
• ✅ 行业术语是否规范（对齐百度百科、维基、行业白皮书）
• ✅ 是否明确定义缩写（如：首次出现写“GEO（生成式引擎优化）”）
• ❌ 是否存在内部黑话、只有老员工懂的说法

GEO提示：

生成式引擎更倾向引用“通用表述”，而非企业内部独创说法。

三、三查「结构化与可读性」

结构越清晰，Chunk质量越高，RAG越爱用。

重点检查：

• ✅ 是否大量使用小标题（H2/H3）
• ✅ 是否有清晰的列表、表格、FAQ
• ✅ 段落是否短小精悍（避免大段“散文式”文字）
• ❌ 是否存在“一屏一大坨”的内容墙

示例对比：

四、四查「权威性信号」

RAG系统会评估内容可信度，尤其是商业信息。

重点检查：

• ✅ 是否有数据来源（第三方报告、调研、白皮书）
• ✅ 是否有发布时间、作者、机构署名
• ✅ 是否引用标准、法规、行业共识
• ❌ 是否存在“行业第一”“遥遥领先”等无法验证的夸大词

GEO加分项：

标注来源格式：数据来源：《2024中国AI营销白皮书》，艾瑞咨询，P23

五、五查「长尾问题覆盖度」

RAG召回依赖“语义匹配”，问题越具体，越需要内容覆盖。

重点检查：

• ✅ 是否覆盖“是什么 / 为什么 / 怎么选 / 多少钱 / 哪家好”等问题
• ✅ 是否有真实用户常问的细分场景（如“中小企业怎么做GEO”）
• ❌ 是否只讲“我们很牛”，不讲“我能帮你解决什么问题”

实操方法：

拿客服记录、销售话术、搜索词表，反推内容缺口。

六、六查「技术层基础配置」

内容再好，技术层没配好，RAG照样抓不到。

重点检查：

• ✅ robots.txt是否屏蔽了关键页面
• ✅ 页面是否支持JS渲染（很多RAG爬虫不会执行JS）
• ✅ 是否提供结构化数据（Schema Markup / JSON-LD）
• ✅ 是否有稳定的Sitemap，方便定期更新向量库

快速自检表（可直接发给团队）

✅ Chunk是否自包含、长度适中

✅ 品牌/产品命名是否统一

✅ 结构是否清晰（标题+列表+表格）

✅ 是否有数据来源、时间、署名

✅ 是否覆盖真实用户问题

✅ 技术层是否对爬虫友好