两种 RAG 阅读资料的方式不同
两者都是让 AI 以企业内部文档为依据作答的机制（RAG），但得出答案的路径不同。
向量检索式 RAG
把文档切成小片段
把资料切成每段几百字的片段（chunk）。
把片段向量化后保存
用嵌入模型转换成一串数字，存入向量数据库。
取出几个与提问相似的片段
提问也会被向量化，只选出意思最接近的前几个片段。
只读取出的片段来回答
没被选中的部分，AI 根本看不到。
导航式 RAG
像编目录一样整理资料
AI 把上传的资料按主题整理成层级结构（技能）。
保存一份目录（技能树）
以 AI 可导航的形式保存每份资料写了什么。不使用向量数据库。
按提问沿目录查找
AI 从上到下浏览目录，挑出看起来相关的资料。
阅读所需文档后作答
阅读选中的文档，并以此为依据作答。没有记载时会如实说明。
技能树就是给 AI 用的资料目录
例如被问到「带薪休假怎么申请？」时，AI 会像下面这样沿着目录找到要读的资料。
- 人事·劳务
- 休假·假日
- 就业规则_2025.pdf阅读此资料后作答
- 考勤·远程办公
- 休假·假日
- 费用·采购
- 费用报销
- 信息安全
与向量检索式 RAG 的区别
- 事前准备
- 向量检索式 RAG准备嵌入模型和向量数据库，并调整文档的切分方式
- Monoshiri AI RAG（导航式）只需上传文件
- 阅读资料的方式
- 向量检索式 RAG只取出几个与提问相似的片段
- Monoshiri AI RAG（导航式）沿着目录去阅读所需的文档
- 跨多个资料的问题
- 向量检索式 RAG所需片段不在前几名时难以回答
- Monoshiri AI RAG（导航式）从目录中选出相关资料对照阅读
- 资料中没有记载的问题
- 向量检索式 RAG有时会依据相似片段作答
- Monoshiri AI RAG（导航式）设计为回答「没有记载」
- 回答的依据
- 向量检索式 RAG取决于搭建方式
- Monoshiri AI RAG（导航式）在管理后台显示所参考资料的文件名
- 追加·替换资料
- 向量检索式 RAG重新切分和向量化
- Monoshiri AI RAG（导航式）自动重建技能树
| 项目 | 向量检索式 RAG | Monoshiri AI RAG（导航式） |
|---|---|---|
| 事前准备 | 准备嵌入模型和向量数据库，并调整文档的切分方式 | 只需上传文件 |
| 阅读资料的方式 | 只取出几个与提问相似的片段 | 沿着目录去阅读所需的文档 |
| 跨多个资料的问题 | 所需片段不在前几名时难以回答 | 从目录中选出相关资料对照阅读 |
| 资料中没有记载的问题 | 有时会依据相似片段作答 | 设计为回答「没有记载」 |
| 回答的依据 | 取决于搭建方式 | 在管理后台显示所参考资料的文件名 |
| 追加·替换资料 | 重新切分和向量化 | 自动重建技能树 |
※ 向量检索式 RAG 一栏为一般构成示例，并非指特定产品。
向量数据库和嵌入模型都不用准备
自建 RAG 时需要的文档切分、向量化、数据库搭建统统不需要。上传文件后，AI 用来导航的目录（技能树）会自动生成。
没写的内容，就回答「没有记载」
AI 会沿着目录去阅读资料，所以能察觉到哪里都没有写的内容。这种情况下，系统设计为不凭推测编写，而是回答「文档中没有相关记载」。
看了哪份资料作答，马上就能确认
在管理后台的聊天中，回答下方会显示所参考资料的文件名。点击即可打开资料，亲自确认内容。
※ 通过 LINE·Slack 得到的回答不显示资料名。
替换资料后，目录也会自动重建
追加、替换或删除资料后，技能树会自动重建。无需设置切分方式或重建索引。
关于工作原理的常见问题
相关文章
博客中详细介绍了向量检索式 RAG 的局限，以及我们走向导航式 RAG 的经过。
什么是上下文工程？用企业知识落地的5个步骤
反复优化提示词，企业AI的回答却始终不稳定，问题往往不在于怎么问，而在于交给AI的信息。本文讲解上下文工程的含义、与提示词工程和RAG的区别，以及在企业知识中落地的5个步骤。
「RAG 不需要」是真的吗？企业知识 AI 选型的 6 个判断维度
随着长文本上下文 LLM 的出现，「RAG 不需要」的论调越来越多。本文用 6 个判断维度梳理真正不需要的场景与依然需要 RAG 的场景，为企业知识 AI 选型提供务实指南。
什么是 Corpus2Skill？RAG 与 skill 模式的区别详解
「担心 AI 胡编乱造」「复杂问题无法回答」。本文以实际案例解析向量检索型 RAG 的幻觉问题与检索精度局限，以及 Monoshiri AI 如何通过导航型 RAG（skill 模式）加以解决。
