两年前，当 RAG（检索增强生成）技术刚火的时候，我们团队兴奋地花了两个星期，用 LangChain 加上一个开源向量数据库，给公司搭了一个“内部知识问答助手”。
刚开始的测试很完美，问它一些公司福利、请假制度，它答得有模有样。直到我们将几百份冗长的《审计报告》和《财务报表》丢进去，灾难发生了。 你问它“某项目第一季度的应收账款是多少”，它给出的数字竟然是隔壁项目的；你问它“某个条款的例外情况”，它把前置条件全丢了，直接给出了一个合规风险极大的建议。
业务部门试用了半天后，扔下一句话：“这玩意儿一本正经地胡说八道，根本不敢用。”
传统 RAG 的“原罪”
经过痛苦的排查，我们发现大模型之所以产生“幻觉”，问题根本不出在模型不够聪明，而是我们喂给它的数据是“碎”的。
传统 RAG 的逻辑非常粗暴：把一个文档按固定字数（比如 500 字一刀）切成小块（Chunk），算个向量存起来。 如果你切的是一本小说，这没问题。但如果你切的是一份金融财报呢？ 一个横跨两页的复杂财务报表，被生生切成了三块。表头在 A 块，数据在 B 块。当大模型拿着这些支离破碎、失去了行列表头坐标的数字时，它除了瞎猜和拼凑，别无他法。
更要命的是，它给出的答案没有“证据”。用户不知道它是从哪一页抄来的，无从核实。这在严谨的 B 端业务里是不可容忍的。
我们的重构：ZGI 确定性知识引擎
为了解决这个“敢不敢用”的问题，在研发 ZGI（www.zgi.cn/） 平台 时，我们推翻了传统的 RAG 范式，重构了一条被称为 “确定性知识引擎” 的链路。
第一步：放弃粗暴切片，转向“结构化重建” 我们引入了多模态的文档解析引擎。当一份 PDF 传进来时，系统不会先切分字数，而是先去做版面分析。 系统会识别出哪里是标题层级，哪里是图片，哪里是表格。对于表格，系统将其转换为带有行列结构的 Markdown 或 JSON 格式；对于条款，保留其父子逻辑树。我们把文档重新抽象成了具有精确 Schema 的数据对象。
第二步：图谱增强（ Graph RAG）防断连 有时候，一个问题的答案并不在一个段落里。比如“张三参与了哪些项目”，可能分布在文档的多个位置。 ZGI(www.zgi.cn/) 在底层引入了知识图谱的逻辑。在解析时，抽取实体与关系，在检索时不仅通过向量找相似性，还通过图谱找关联性。这样召回的上下文极其丰富且逻辑严密，彻底抹平了信息差。
第三步：终极杀手锏——段落级双向溯源 这是拯救业务信任度的关键。 我们要求系统在吐出答案的同时，必须附带其引用的“坐标”。在 ZGI (www.zgi.cn/)的前端界面上，用户看… AI 算出的财务数据后，只要点击旁边的 [引用1] 标签，右侧会自动弹出版面原始 PDF，并高亮框选出这组数字在原文档中的具体位置。
这叫什么？这叫“提供呈堂证供”。 当 AI 把证据摆在你面前时，幻觉的危害就被降到了零。即使 AI 总结有瑕疵，业务人员也能一眼通过高亮的原文进行校对。
经验总结 不要迷信大模型的参数量能解决一切问题。在企业内部数据面前，“巧妇难为无米之炊”。用工程化的手段（如 ZGI(www.zgi.cn/) 的结构化解析与溯源）把数据洗干净、理清楚，才是消除幻觉的唯一正途。
