📉
为何自上而下的“把文档写得更好”会失败
工程把 95% 的时间投向新产品，5% 用于文档：自上而下强推更多文档并不能改变这一比例，只是在对抗它。自下而上的循环则顺应它：只记录市场真正需要的，在需要的时间与地点。
把原始文档丢进一个箱子、指望得到正确答案——所谓“魔法箱”——是行不通的：噪声会产生幻觉。真正的飞跃发生在：知识在抵达大模型之前，先经过筛选、结构化与图谱化。
个人工具：结果的 80% 取决于操作者，20% 取决于 AI。
相似度检索取回原始文档的片段并放入提示词。
先在企业知识图谱上结构化，再以无噪声的形式交给大模型。RAG 作为定向工具保留。
承诺绝对为零的人并不可信。我们构建一个逐步改进的良性系统：Knowledge Guardrailing 从第一天起就减少错误；持续改进的循环——配合对图谱的受控完善——让幻觉收敛至零，完整答复的比例逐月上升。
用户发现信息缺失或有误，一键标记（Missing Data Alert）。
标记开出一个 Knowledge Task，精确挂到图谱上的位置：产品、版本、功能。
研发与产品经理按自己的节奏关闭任务：深度工作得到保护，流程不被打断。
知识库被更正并充实：同样的问题不会再无解地回来。
工程把 95% 的时间投向新产品，5% 用于文档：自上而下强推更多文档并不能改变这一比例，只是在对抗它。自下而上的循环则顺应它：只记录市场真正需要的，在需要的时间与地点。
每一次迭代，图谱覆盖的场景更多：“完整答复比例”这一 KPI 逐月上升，正是衡量向零幻觉收敛的诚实方式。
正是在复杂场景——那些真正带来流程改进的场景——差距才变得决定性。凭借干净、结构化的知识，最先进的大模型可达到 70–90% 的生产力提升。
| 维度 | 提示工程 | “纯” RAG | KAG（EKRAI） |
|---|---|---|---|
| 知识来源 | 仅训练数据 + 提示词 | 原始文档片段 | 结构化底座上的企业知识图谱 |
| 信噪比 | 低：无企业上下文 | 中：噪声进入上下文 | 最高：噪声在上游即被去除 |
| 中等场景（变体、版本） | 臆造 | 有风险：版本混淆 | 可靠：图谱先行消歧 |
| 复杂场景（投标、BOM） | 不可行 | 力所不及 | KAG 的主场：由意图驱动的循环 |
| 幻觉 | 频繁 | 存在——企业级无法接受 | 通过收敛趋近于零 |
| 随时间改进 | 无 | 静态（文档越多噪声越多） | 系统性：完整答复不断上升 |
| 流程集成（ERP/CRM） | 无 | 仅供查询 | 原生：直达事务对象 |
| 可达到的生产力 | 边际 | 中等，仅简单场景 | 真实流程上 70–90% |
技术诚实说明：在 EKRAI 中，RAG 并未消失——它用在真正有帮助之处，作为在已洁净知识上的定向相似度检索。真正拉开差距的，是由渐进提示编排的 KAG + RAG 组合。