Part IV 向量、检索与知识工程¶
企业 Agent 需要的不只是“能搜到资料”，而是让证据从文档进入检索后仍然保持语义可召回、权限可过滤、来源可引用、版本可回放。Part IV 沿着这条知识证据链展开：先讨论向量表示与排序，再进入向量数据库、文档解析、RAG，最后扩展到实体关系和 GraphRAG。
这一部分的核心判断是：企业知识工程真正管理的不是文档数量，而是证据如何被表示、找到、筛选、引用和持续维护。
本部分章节¶
| 章节 | 核心问题 | 关键工程判断 |
|---|---|---|
| 第16章 嵌入模型 | 什么内容应该被映射到语义空间 | Embedding 只负责候选召回，内部 query、hard negatives 与版本治理比排行榜更重要 |
| 第17章 嵌入微调与重排 | 什么时候应该训练 embedding，什么时候加 reranker | 先判断正确证据是否进入候选，再决定改召回还是改排序 |
| 第18章 向量数据库与索引算法 | 如何在规模、召回、权限和成本间选向量库与 ANN | 向量库是证据基础设施，不是可随意清空的缓存 |
| 第19章 文档解析与多模态 OCR | PDF、表格、截图怎样变成可靠知识对象 | 解析必须保留页面、结构、坐标、权限和版本，而不只是抽出文本 |
| 第20章 RAG 工程与高级检索 | RAG 怎样从“能答”变成“有据可查” | 可信度来自完整证据链，以及证据不足时正确拒答、澄清和补证 |
| 第21章 知识工程：本体、抽取与知识图谱 | 什么时候需要关系建模和 GraphRAG | 图路径负责组织关系，最终事实仍要回到可验证证据 |
阅读路径¶
第16–18章建立语义检索底座：Embedding → 微调/重排 → ANN/向量库。第19章解决知识进入索引前的解析质量，第20章把候选材料组织成可验证的 RAG 证据链，第21章再用本体和知识图谱补足实体消歧、关系推理和影响分析。
读完这一部分，应能够区分“召回失败、排序失败、解析失败、证据失败和关系建模失败”，并知道每类问题应在哪一层修复。后续 Agent Runtime、Memory、DataAgent 和 Eval 都会复用这套证据基础。