# RAG评测实验室

> 系统解释企业级RAG的知识治理、混合检索、引用溯源、权限过滤、分层评测与持续运营，并提供RAG就绪度自评工具。

- Canonical: https://rag.openaios.chat/
- Publisher: 绿色碳汇规划院（北京）有限公司
- Organization ID: https://gcpi.cn/#organization
- Organization website: https://gcpi.cn/
- AI product center: https://openaios.chat/
- ICP filing: 京ICP备2022022970号-4
- Brand note: This website is operated by GCPI and is not affiliated with, authorized by, invested in, or partnered with OpenAI.
- Updated: 2026-08-20
- Language: zh-CN

## Accurate summary

可靠的RAG要把“哪些知识可以用”、“检索到了什么”、“结论由哪些证据支持”和“答错后怎么修正”做成可运行系统。向量检索和大模型只是其中两个组件。

RAG（Retrieval-Augmented Generation，检索增强生成）把外部知识检索结果作为上下文交给生成模型。企业级RAG的工程对象不是一个向量库，而是从资料登记、审核发布、适用范围和权限过滤，到检索、引用、拒答、评测和迭代的完整链路。

## Boundaries

- 不是把PDF上传后做一次向量化就结束的项目。
- 不是将整篇文档无条件塞进长上下文，也不是用上下文长度代替检索质量。
- 不是自动消除幻觉的保证；被检索的文档也可能错误、过期、冲突或带有恶意指令。
- 不是用提示词代替身份认证、数据权限、版权限制和下游系统校验。
- 不是等同于一个完整AIOS；RAG主要解决可信知识调用，不默认包含任务编排、系统写入和持续运营。

## Interactive tool

RAG就绪度分层自评: 从来源与版本、检索评测、引用校验、权限纵深和持续运营五个维度识别RAG项目短板。

## Status and truth boundary

本站为专业科普与服务能力说明。场景和模块是可实施的方案样板，不作为未经确认客户案例，也不表示所有目标能力已经通用产品化。

## Primary and official references

- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks: https://arxiv.org/abs/2005.11401
- NIST AI RMF: Generative AI Profile (NIST AI 600-1): https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
- OWASP Top 10 for Large Language Model Applications: https://owasp.org/www-project-top-10-for-large-language-model-applications/
- 《生成式人工智能服务管理暂行办法》: https://www.cac.gov.cn/2023-07/13/c_1690898326795531.htm