阿里云如何补齐RAG关键环节应对企业Agent涌入

过去一年，企业应用Agent正在从概念验证走向业务系统。微软、Salesforce等厂商都在把Agent嵌入办公、CRM、IT服务和企业流程管理，国内云厂商、SaaS厂商和大模型公司也在加速推出面向客服、营销、研发、数据分析、办公协同的智能体产品。

相较早期的聊天机器人，这一轮企业Agent的目标不再只是回答问题，而是进入到了具体工作流中，调用工具、读写数据、执行任务，并在多轮交互中持续完成业务动作。

但Agent进入企业后，瓶颈也随之暴露出来。通用模型可以生成流畅文本，却并不天然理解一家企业的产品、制度、客户、流程和历史经验，业务系统中沉淀的大量知识，又往往分散在文档、表格、图片、视频、数据库和内部工具里。

对企业来说，智能体能否真正落地，除了模型能力，还要能安全、准确、可追溯地使用企业自己的知识。换句话说，光有“大脑”不够，还得有一套能读懂内部资料、知道去哪儿找答案的“认知中枢”。

正因如此，阿里云百炼知识库推出了企业级Agentic RAG服务（Knowledge Studio）。它的重点并不在知识库界面本身，而在于把RAG升级为一种可被Agent调用、可多轮规划检索、可验证来源、可跨模态处理企业数据的知识服务。

企业Agent，卡在知识应用里

企业内部知识并非天然适合AI调用，而是散落在产品手册、制度文件、售后FAQ、工单记录、销售表格、合同条款、培训视频、操作截图、流程图和业务数据库里。不同部门维护不同版本，不同系统使用不同权限，不同格式又对应不同解析方式。

企业内的资深工程师可以凭经验在多个系统中来回找答案，但Agent要进入业务流程，就必须要先解决在哪里找、怎么找、找到了是否可信等问题。

作为全国性快递企业，申通快递拥有庞大的生态员工体系，业务咨询长期分散在钉钉、微信等多个沟通平台中。员工遇到系统操作、物流追踪、政策查询等问题时，往往需要在多个群组和平台之间切换，技术服务人员也要重复回答大量相似问题。

本就已经实现了深度数字化的申通快递，这些知识并非缺失，只是沉淀在不同文档、群聊、工单和人工经验中，难以被统一调用。

于是，基于阿里云百炼平台的工作流编排与知识库能力，申通快递将内部操作手册、FAQ、技术文档、培训材料等内容导入企业级知识库，并把智能客服能力接入钉钉工作台。在完成这一系列升级后，员工就可以通过统一入口发起咨询，系统先识别问题意图，再从知识库中检索相关内容，简单问题由大模型直接回答，复杂问题再转人工工单。

对于企业而言，这类场景的价值已经不再是客服回答更快了，更重要的是，原本散落在多个系统中的内部知识，可以被转化为Agent持续调用的服务能力。

实际上，在企业应用Agent过程中，传统RAG曾经是连接大模型和企业知识的主流方法，它通过检索知识片段，再让大模型基于这些片段生成回答，确实能在一定程度上降低幻觉。但传统RAG的问题也很明显，检索通常是单次的，问题稍微复杂一些，就容易出现召回不全、排序不准、上下文不足。尤其当一个问题需要跨多个知识库、跨多种文件格式、跨结构化和非结构化数据时，简单检索很难支撑完整回答。

企业真正需要的是更接近熟练员工理解任务、拆解问题、选择知识库、调整检索方式，并把多个来源的信息综合成可追溯答案的知识处理能力。例如先判断用户到底在问什么，再拆分成几个子问题，决定去哪个知识库查，查不到时换一种方式继续找，最后把多个来源的信息综合起来，并告诉用户答案来自哪里。

阿里云百炼Knowledge Studio的产品价值正是在这里，它将阿里云百炼的RAG能力推向Agentic RAG——Agentic Search负责规划和检索，Agentic Generation负责生成和溯源。

前者让AI围绕问题进行意图理解、Query改写、知识库路由、多库检索和结果验证，后者则在检索充分后生成回答，并标注来源文档、段落、页码，甚至可以引用图片、表格和文档原文。

阿里云百炼Knowledge Studio的目标已经超出文档向量化，它试图把企业知识变成Agent可以持续调用的服务。

从检索到规划，RAG开始Agent化

Agentic RAG的关键变化，是把RAG从被动检索推向主动规划。传统RAG更像一次搜索请求，用户问一句，系统检索一次，模型回答一次，这个机制适合简单FAQ，但面对复杂业务问题，很容易在第一步就失败。

例如在保险应用场景中，当用户问“这份保险条款在某种特殊情况下是否能赔”，答案可能散落在产品说明、免责条款、历史案例、监管要求和客服口径中，只搜一次，很难把这些信息拼完整。

阿里云百炼Knowledge Studio引入的Agentic Search，更像一个检索型Agent，它可以把复杂问题拆成多个子问题，并在不同检索工具之间切换。其内置工具包括语义搜索、章节浏览、章节精读、页面浏览、SQL执行和文件获取。

这其中，语义搜索适合找到相关内容，章节浏览适合理解文档结构，章节精读适合处理长文档细节，SQL执行适合处理数据计算，文件获取则能让Agent回到原始材料中确认依据。

多库混合检索也是Knowledge Studio的一项重要能力。企业知识通常呈现为一个复杂网络，由多个部门、系统和权限层级共同构成。产品部门有产品文档，销售部门有客户案例，法务部门有合规材料，客服部门有问答记录，财务部门有结构化数据。一个Agent如果只能查单一知识库，就很难处理跨部门问题，但如果只是把多个知识库的结果简单合并，又会出现排序混乱和来源失衡。

为此，阿里云百炼Knowledge Studio支持最多15个知识库联合检索，并允许为不同知识库配置权重，再通过跨库Rerank和图文混排能力重新排序。这对企业级RAG非常关键，因为不同知识库的可信度和业务重要性并不一样——合规条款比销售话术优先级更高，最新产品文档比历史培训材料更重要。多库权重和重排序能力，实际是在帮企业把知识治理规则嵌入AI检索过程。

保险行业面对的保单查询、产品解释、条款理解、理赔咨询等高责任场景，远比简单FAQ复杂。当一位客户问“我这种情况能不能赔”、“这款重疾险包含哪些疾病”、“某项免责条款是否适用”，背后往往涉及产品库、条款库、案例库、监管要求和合规话术，答案不能只是看起来合理，还必须有依据、能解释、可复核。

在这类场景中，多智能体协同推理和多知识库检索的价值会被放大。系统需要先判断问题涉及哪类保单或条款，再从产品说明、保障范围、免责条款、历史案例等多个知识库中检索信息，必要时还要对生成内容进行合规校验。相比传统RAG的一次检索，Agentic Search就很适合处理这种多步骤问题，而Agentic Generation提供的来源引用，则能让客服人员或客户回到原始条款和文档中确认答案。

这也是阿里云百炼Knowledge Studio可追溯回答能力的重要性所在。保险咨询涉及强监管和高信任成本，AI不能只给结论，还要交代结论从哪里来。对于企业来说，引用文档、段落和页码不是锦上添花，而是AI进入专业服务场景的必要条件。

此外，很多企业知识存于表格和数据库，销售额、库存、退货率、满意度、成本、工单数量，这些问题不能靠语义检索回答，必须查询和计算。为此，阿里云百炼Knowledge Studio支持直接上传Excel文件，并让Agent对结构化数据进行智能问数。当用户问到“上季度华东区销售额前10的产品是什么”、“A产品和B产品用户满意度差多少”，系统需要先把自然语言转成查询逻辑，再计算结果并生成解释。这样的能力让Knowledge Studio得以成为企业知识问答、数据问答和多模态问答的融合入口。

阿里云百炼想做的，不只是一个知识库

阿里云百炼Knowledge Studio并不是一个单独的产品，在这一产品上线之前，阿里云已经面向Agent时代打造了一整套模型服务和智能体构建平台。

实际上，阿里云百炼最初给外界的印象，更多是模型服务平台，可以提供通义系列模型、第三方模型、开源模型和多模态模型，开发者可以通过API调用模型，企业可以按Token、预置吞吐或模型单元等方式使用推理能力。但随着企业部署大模型的需求加深，单纯提供模型调用已经远远不够。企业真正需要的是整套生产级AI能力——模型选择、推理性能、成本控制、高并发保障、安全审计、知识接入、工具调用、应用编排、效果评估和持续优化，阿里云百炼正在基于这些能力打造面向Agent时代的平台。

在模型服务层，百炼强调丰富模型生态和灵活推理形态，它不仅覆盖通义模型，也接入第三方和开源模型，支持在线推理、Batch批量推理、预置吞吐、模型单元等不同模式。对于企业而言，这意味着同一个平台既可以承接轻量试用，也可以支撑生产业务中的稳定吞吐和低延迟需求。

在Agent开发层，百炼的能力框架已经覆盖Model、MCP、Skill、RAG、Connector、Memory、Trace、Evaluate、Tuning、Sandbox、Identity、Guardian等组件，这使得百炼不只是模型API入口，还成了Agent构建、运行、观测、评估和治理平台。Model解决生成能力，MCP和Skill解决工具调用，Connector连接外部系统，Memory处理长期上下文，Trace和Evaluate负责观测与评估，Guardian和Identity处理安全与权限，而RAG负责把企业知识接入Agent。阿里云百炼Knowledge Studio正是处于这样一个关键位置——没有RAG，Agent很容易变成一个只会调用通用模型和工具的空壳；没有可信RAG，Agent也难以进入企业核心流程。

目前百炼Agentic RAG服务核心能力已MCP、Skill、CLI化，Qoder、Codex、Dify等主流Agent工具可一键调用。

不过，Agentic RAG仍处在快速演进阶段。复杂企业知识的质量参差不齐，权限边界不容易处理，多模态解析和跨库排序也很难一次做到完美，部分能力还处于即将上线或持续迭代阶段，最终效果仍要看真实客户场景中的准确率、稳定性和使用成本。

但阿里云百炼Knowledge Studio的方向已经清楚：它把RAG从大模型应用的一个技术组件，推向Agent平台中的基础能力。企业Agent要真正落地，不能只靠更强的大模型，也不能只靠更多工具插件，它还需要一套能理解企业知识、连接企业数据、支持多轮检索，并把答案来源清楚交代出来的系统。这正是在企业Agent应用过程中，阿里云百炼Knowledge Studio补齐的关键一环。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：阿里云如何补齐RAG关键环节应对企业Agent涌入要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题