RAG（检索增强生成）已成为政企知识问答的标配能力。但在大量项目中，我们看到的失败模式高度相似：Demo 时回答流畅，上线后频繁「张冠李戴」或「查不到最新文件」。问题往往不在模型，而在被低估的工程细节。
细节一：分块策略要「懂业务」，而非 uniform 切分
法规、合同、操作手册的结构差异巨大。统一 512 token 切分会把一条完整条款拦腰截断。智信创联的做法是：按文档类型选择切分器（条款级、章节级、表格行级），并在元数据中保留层级路径（如「第三章第二节」），检索时可做层级加权。
细节二：引用强校验，不是「可选美化」
政企场景下，无来源的回答等于风险。我们在 Agent 输出层强制 Schema：每条 factual 陈述必须绑定 chunk_id，后端校验 chunk 是否真实存在于当次检索结果中。校验失败则触发重试或降级为「未找到依据」。
细节三：增量更新与版本一致性
政策文件每月都在变。全量重建索引成本高、窗口长。Enterprise Agent OS 的知识库模块支持文档级增量索引、版本标记与「生效日期」过滤，确保 Agent 回答的是当前有效版本。
这三个细节看似「工程琐事」，却直接决定 RAG 能否进入生产。如果您正在规划或复盘知识库项目，欢迎下载我们的《政企 RAG 落地检查清单》或预约技术交流。