RAG 被广泛认为是企业级智能体的基础能力之一，但很多团队在落地后都会发现一个现实问题：即便引入了知识库，回答依然存在不准确、不一致甚至编造的情况。这并不意味着 RAG 无效，而是说明RAG 是工程系统，而不是功能组件。

在实际应用中，RAG 的核心价值并不在“生成答案”，而在于“是否基于正确证据生成答案”。如果证据本身不可控，生成层再强也无法保证结果可靠。

第一个关键点，是知识切分与组织方式。简单按字数切分文档，往往会破坏语义完整性，导致模型拿到的上下文前后不连贯。更合理的方式，是按照业务结构进行切分，例如章节、条款、流程节点。这一步直接决定了检索质量的上限。

第二个关键点，是检索结果是否具备可验证性。一个工程化的 RAG 系统，不应只返回“相关内容”，而应返回“可引用证据”。这意味着每一段被使用的文本，都应具备明确来源、位置和版本信息。只有这样，系统才能判断答案是否合规，用户也才能追溯结论依据。

第三个经常被忽略的问题，是RAG 需要持续评估，而不是一次配置。文档更新、模型变化、切分策略调整，都会影响最终输出。如果没有固定的测试问题集，系统很容易在不知不觉中退化。

因此，在高质量的智能体工程实践中，RAG 通常会被当作一个长期维护的子系统，而不是“接上就完事”的模块。类似的工程思路，也被应用在智能体来了相关的技术训练场景中，强调证据链完整性和可复盘性，而非单纯追求生成效果。