企業導入 AI 知識庫時最在意的兩件事，往往是「答案準不準」與「資料安不安全」。 這兩個問題的核心，都指向同一個技術選擇：RAG（檢索增強生成）。
什麼是 RAG？
一般的通用大型語言模型，是依它「記得的」知識回答，碰到不確定的內容容易臆測。 RAG 的做法不同：它先從你提供的文件裡檢索出相關段落，再依據這些段落生成答案。 換句話說，回答的依據是你的資料，而不是模型對世界的籠統印象。
一句話分辨：通用模型「憑記憶回答」，RAG「先翻你的文件再回答」。對企業知識庫來說，後者才靠得住。
為什麼答案要附來源頁碼？
知識助理的每則答案都會標註來源檔名與頁碼。這個設計看似小，實際很關鍵：
- 可查證：使用者能直接翻到原始文件那一頁，確認答案是否被正確引用。
- 可究責：當文件本身過時或有誤，能快速定位是哪一份、哪一頁要更新。
- 可信任：附來源的答案，比一段「聽起來很有道理」的純文字更值得採信。
找不到就不答：min-score 的價值
RAG 在檢索時會評估文件段落與問題的相關度。知識助理設有相關度門檻（min-score）： 當系統判斷找不到夠相關的內容時，會選擇不回答，明確告知「目前文件沒有這項資訊」，而不是硬湊一個答案。
這能大幅降低幻覺風險。對企業而言，一個「敢說不知道」的客服，遠比一個「什麼都答得出來、但可能答錯」的客服安全。 這一點，我們在AI 客服能做什麼、不能承諾什麼裡也談過。
文件怎麼進來？PDF、OCR 與索引更新
知識庫的內容來源與維護，務實情況如下：
- 以 PDF 匯入為主；導入階段顧問會協助把 Word、Excel、PowerPoint、SOP 整理轉成 PDF，你不需要自己重做問答集。
- 掃描版／圖片型 PDF 可透過 OCR 擷取文字後納入檢索。
- 文件更新後需重建索引，新內容才會反映到回答裡——這是維護時要納入的步驟。
資料安全：租戶隔離與訓練政策
隔離與訓練政策
知識庫採租戶隔離，各企業的資料彼此不互通；上騏不將客戶資料用於自家通用模型訓練。 若採第三方雲端模型，依供應商與方案的資料處理條款處理；若需資料不外送，採本地／私有部署方案。
推論在哪裡跑
若方案使用雲端模型，會依資料處理政策交由該模型服務處理； 也可依方案改採本地／私有模型不外送。實際採用哪一種，依貴司的資安要求與方案規劃決定。
涉及地端部署、私有雲、企業級資安稽核等細節，會依專案需求由顧問評估規劃，不在公開頁面一概承諾。
小結
RAG 讓 AI 的回答「有憑有據」：依你的文件檢索、附來源頁碼、找不到就不答。 加上租戶隔離、以及「不將客戶資料用於自家通用模型訓練」的政策，這正是企業知識庫值得信任的基礎。 想看實際的知識助理能力，可前往知識助理頁面。