2026年9月26日，掘金作者「前端阿凡」刊出題為「第 26 章 案例二：企業知識庫問答 Agent」的技術長文，全文約7分鐘閱讀長度。文章以企業內部文件中心數萬份 PDF 為場景，探討如何讓 Agent 精準回答「我們公司的報銷標準是什麼」這類內部制度問題，並給出文件處理、檢索優化與幻覺抑制的完整工程方案。
章節輪廓與問題設定
依該文大綱，此章分為四節：26.1 文件處理與向量檢索（Qwen 搭配內網知識庫）、26.2 RAG 加反思加評估自檢、26.3 MCP 整合企業系統、26.4 評測與上線。作者將核心命題定為「知識庫問答幻覺抑制方案，加上檢索品質評估」。
場景設定為企業內部文件中心，內容涵蓋制度、流程與專案文件，員工可隨時提問。作者列出三項挑戰：文件格式混雜，包括文字型 PDF、Word、Excel、PPT 與掃描件；內網資料不得出域，因此需私有化部署或資料脫敏；問題類型多樣，需要精準檢索。
文件處理管線的關鍵設計
文中以 Python 程式碼示範解析管線的核心結構。文件依副檔名分流：PDF、Word、Excel 各走對應解析器，圖片格式的掃描件先經 OCR 轉文字，之後以每塊 600 字元、重疊 80 字元的方式分塊，再以 Qwen embedding 向量化入庫。
每個分塊附帶三項元資料：source 記錄出處以利追溯，dept 供部門過濾，type 區分制度、流程或專案文件，另記錄檔案更新時間。作者強調兩點：解析失敗的文件（如加密或亂碼）必須標記並告警，不得靜默丟失；PDF 須區分文字型與掃描型，後者需先 OCR。
檢索與幻覺抑制
檢索層面，文章採混合檢索策略：向量檢索與 BM25 關鍵字檢索並行，以 RRF 融合召回 Top-20，再以 Cross-Encoder 重排精選出 Top-3。作者將檢索品質歸納為三步：召回求全、排序求準、過濾求範圍正確。
針對知識庫問答最大的風險，即模型編造制度條款的幻覺問題，文章提出「RAG、自檢、反思」三件套組合：先由 RAG 檢索相關資料提供事實基礎，再輔以評估自檢與反思機制壓制幻覺。來源正文在此處截斷，後續細節與 26.3、26.4 兩節的完整內容未見於可核實的參考資料中。
可核實資訊的邊界
本次整理僅依據該篇掘金文章的公開內容。文中引用的第 2、8、22 章前置章節，以及 Qwen 部署細節、MCP 整合企業系統的具體做法與評測數據，均屬作者自述的工程方案，本臺未進行實測驗證，相關效果數據亦未見獨立來源佐證。該文性質為系列教學的其中一章，與本臺先前整理的掘金「古法編程」轉型 AI Agent 長文同屬平臺上的 Agent 技術系列內容，可對照參閱。