企业部署RAG的数据治理重点

企业部署 RAG，最容易被低估的工作不是选模型，而是先把数据管清楚。系统能否给出可信答案，往往取决于接入了哪些资料、资料是否最新、用户有没有权限看到，以及答案能不能回到原始证据。数据治理做得不扎实，检索越快，错误信息扩散得可能越快。

第一件事是建立清晰的数据边界。企业里的研发文档、法务材料、客服记录和知识库，来源、敏感程度和更新频率都不同，不能简单地全部导入。接入前应明确数据责任人、使用范围和保留规则，并对结构化与非结构化数据进行统一清洗。重复、过期、缺少上下文的内容如果直接进入索引，会持续干扰召回结果。

权限治理同样关键。RAG 的回答看似只是文字生成，实际可能暴露合同、内部制度或客户信息。访问控制不能只停留在应用入口，还要让检索阶段继承原始数据的权限，避免用户虽然无权打开文档，却通过提问间接获得其中内容。涉及敏感数据时，差分隐私、联邦学习等机制可以降低集中处理带来的风险，但它们不能替代权限设计和流程管理。

然后是证据治理。系统返回答案时，应尽量保留对应的文档片段和来源，使使用者能够核对依据。面对法务、金融等需要审计的场景，答案是否可溯源，比语言是否流畅更重要。知识内容发生变更后，索引也要有更新、失效和回滚机制，否则系统会用旧规则回答新问题。

最后还要治理“谁可以改变什么”。模型、知识库、提示模板和检索策略都可能影响结果，变更应留下记录，并通过实际业务问题持续检查。企业不妨先从一个边界明确的场景试点，观察错误答案来自脏数据、权限遗漏，还是检索与生成环节，再逐步扩大范围。RAG 的核心竞争力，未必只是生成能力，而是能否把数据变成可用、可控、可追责的知识。