導入企業知識庫（RAG）要先準備三樣東西：文件正本、權限規則、員工會問的問題清單。預算沒有公定價，由資料量、資料品質、部署方式、系統串接與維運人力決定，先用一個部門試點再推估全公司最準。
企業知識庫一定要用 RAG 嗎？還是該微調模型？
多數中小企業的知識庫需求用 RAG 就足夠，微調只有在要改變模型的說話方式或專業判斷邏輯時才值得做。RAG（Retrieval-Augmented Generation，檢索增強生成）的做法是讓 AI 回答前先到企業文件裡找出相關段落，再根據找到的內容作答，由 Facebook AI Research 的 Lewis 等人於 2020 年提出。微調（Fine-tuning）則是把資料訓練進模型本身。
要決定走哪一條，先問自己三個問題：文件會不會經常更新？回答要不要附出處？公司有沒有人力整理訓練資料？只要前兩題有一題答「要」，RAG 就是比較穩的選擇。
| 比較項目 | RAG 檢索增強生成 | 微調 Fine-tuning | 直接用一般對話 AI |
|---|---|---|---|
| 知識來源 | 企業文件，回答時即時檢索 | 訓練時寫進模型參數 | 模型本身的公開知識 |
| 文件更新後 | 更新文件索引即可 | 需重新訓練 | 無法反映公司內部資料 |
| 回答能否附出處 | 可以，指到原文件段落 | 不能 | 不能 |
| 權限控管 | 可依人員身分過濾檢索結果 | 困難，模型記住的內容無法分人 | 無 |
| 適合情境 | 規章制度、產品手冊、報價紀錄、客服問答 | 固定格式輸出、特定語氣、專業領域用語 | 一般寫作與資料整理 |
| 主要成本 | 資料整理與系統建置 | 訓練資料標註與算力 | 訂閱費 |
兩者也不互斥：常見做法是先用 RAG 把「答得出來」做到位，再視口吻需求評估微調。
導入前要準備哪三樣東西？
先準備資料、權限、問題清單，再談工具與模型。順序顛倒的專案最常在上線後才發現 AI 答不出來，而且問題不在模型，而在餵進去的文件。
文件：哪些要整理？怎麼整理？
知識庫的回答品質取決於文件品質，所以第一步是找出正本，不是把所有檔案丟進去。整理順序如下：
- 盤點來源：共用資料夾、NAS、雲端硬碟、ERP 報表、LINE 與 Email 對話紀錄，列出每一類放在哪裡、誰負責。
- 刪除過期版本：同一份文件只留一份正本，並標示生效日期。多數企業知識庫答錯的常見原因，是同一份規章有多個版本同時存在。
- 把圖片轉成文字：掃描檔、照片型 PDF、簡報截圖要先經過文字辨識（OCR），否則系統讀不到內容。
- 補上結構資訊：檔名加上部門、日期、適用對象，表格與圖面要有文字說明。
- 標記敏感等級：哪些是全員可讀、哪些限部門、哪些只有主管能看，這一步直接關係到下一項。
權限：誰能問到什麼？
知識庫最常被忽略的風險，是員工透過 AI 問到自己原本沒權限看的文件。薪資、合約、客戶個資、未公開的報價都可能被檢索出來。因此在設計階段就要做出「人員身分對應可讀文件」的清單，並確認系統能依這份清單過濾檢索結果，而不是上線後再補。
問題清單：員工真正會問什麼？
請各部門列出平常最常問同事、問主管、翻文件才找得到答案的問題，彙整成清單。這份清單有兩個用途：一是界定範圍，避免「什麼都要能答」而導致資料整理無止境；二是作為驗收測試題，上線前逐題檢查 AI 的回答是否正確、是否附出處。
預算怎麼估？哪些因素會讓費用差很多？
知識庫的預算主要花在資料整理與系統串接，不是模型費用。同樣規模的兩家公司，費用可能因資料狀態差距很大，所以要用下面幾個因素估，不要用人數估。
| 影響因素 | 費用偏低的情況 | 費用偏高的情況 |
|---|---|---|
| 資料量與格式 | 數百份 Word、PDF 文字檔 | 大量掃描檔、工程圖面、多年累積的 Email |
| 資料品質 | 有正本、有版本管理、有負責人 | 多版本並存、沒人說得出哪份是對的 |
| 部署方式 | 使用雲端模型服務，依用量計費 | 地端部署，需採購 GPU 伺服器並自行維運 |
| 權限複雜度 | 全員同一套權限 | 依部門、職級、專案分權，要串接既有帳號系統 |
| 系統串接 | 只讀靜態文件 | 要即時讀取 ERP、CRM、LINE 等系統資料 |
| 維運安排 | 內部有人負責更新文件與索引 | 全部外包維護 |
把費用拆成三塊會比較好談：
- 一次性建置費：資料整理、系統建置、權限設定、系統串接。
- 持續費用：雲端模型的用量費或地端硬體折舊、維護合約、模型更新。
- 內部人力：至少要有一位文件負責人，否則知識庫會在上線後慢慢過期。
估算方法上，建議先挑一個部門試點，把實際的資料整理工時、每日查詢量、答錯的題型量出來，再依部門數與資料狀態推估全公司。這也是影響視覺科技一貫主張的先試點再選型：先用小範圍證明有效，再決定要投入多少。
資料不能上雲，知識庫還能做嗎？
可以。RAG 的模型與文件都能放在公司內部的地端設備或專屬雲端環境，資料不出公司，差別只在硬體與維運成本由自己承擔。影響視覺科技的地端／雲端私有 AI 建置服務，就包含在私有環境部署語言模型，結合企業知識庫做 RAG 問答與 AI Agent 流程。
判斷標準有兩條：一是有沒有法規或客戶合約要求資料不得外傳，二是這批資料是不是公司的核心競爭力。兩條有一條成立，就該考慮地端或混合雲，把敏感文件留在內部、一般文件放雲端。資料為什麼值得這樣保護，可以參考資料主權這篇文章：模型會越來越像，資料不會。
導入後怎麼判斷做得對不對？下一步該做什麼？
用準備階段的問題清單驗收，看三件事：回答是否正確、是否附上出處、無權限的文件是否確實被擋下。三項都通過再擴大到其他部門，任何一項沒過就先回頭修文件或權限，不要急著加功能。
如果你現在就想開始，可以做這三件事：
- 挑一個文件最多、最常被同事問的部門當試點。
- 找出這個部門的文件正本放在哪裡、誰負責。
- 請該部門列出最常問的問題，整理成清單。
做完這三步，你就能具體描述需求，也能判斷報價合不合理。影響視覺科技的客製導入與建置路徑從診斷開始，先盤點文件、流程與資料狀態，再進行導入與持續優化。想知道自己公司的資料狀態適合從哪一步開始，歡迎預約諮詢，由顧問依現況給你建議。
常見問題
RAG 企業知識庫是什麼？
RAG 是檢索增強生成的縮寫，做法是讓 AI 在回答前先到企業自己的文件裡找出相關段落，再根據這些內容回答並附上出處。它和直接用一般對話 AI 的差別在於，回答的依據是公司內部資料，而不是模型的公開知識。
企業知識庫導入預算大概多少？
沒有公定價，費用主要由資料量與格式、資料品質、部署方式、權限複雜度、系統串接範圍與維運安排決定，其中資料整理通常是最大的一塊。建議先用一個部門試點，量出實際工時與查詢量後再推估全公司，比直接報整案更準。
RAG 和微調差在哪？要一起做嗎？
RAG 是讓模型查公司文件再回答，文件更新後只要更新索引；微調是把資料訓練進模型，更新就要重新訓練，也無法附出處或分權限。多數企業先做 RAG 就夠，只有在需要特定語氣或固定格式輸出時，再評估加上微調。
知識庫的資料要怎麼整理才能用？
先找出每類文件的正本與負責人，刪掉過期版本，把掃描檔與圖片轉成文字，在檔名或文件開頭補上部門、日期與適用對象，最後標記敏感等級。整理好的文件才能被正確檢索，也才能設定誰可以看到什麼。
文件更新後，AI 會自動知道嗎？
要看系統怎麼設定。RAG 架構下，更新文件後重新建立索引即可反映，不必重新訓練模型，但需要有人負責把新版文件放到指定位置並下架舊版。建議在導入時就排定更新流程與負責人，避免知識庫上線後逐漸過期。