產業別 RAG 知識系統案例:金融、醫療、製造導入前後的量化成果拆解

半年前我們接手一個保單條款查詢的案子。客戶前一年已經導入過一次 RAG,系統跑得起來,demo 那天答得漂亮,主管很滿意。我到現場時,理賠部門的實際使用率是 6%。

不是技術爛。是那套系統把三百多份保單、批註、法遵函釋全塞進同一個向量庫,問「這張舊保單的等待期怎麼算」時,它自信地引用了一份 2019 年已作廢的版本。答錯一次,人就不敢再問第二次。這就是 RAG 企業案例裡最常見的死法:不是不會答,是答得不夠可信,信任一崩,採用率歸零。

下面拆三個我們實際交付的場景,把導入前後的硬數字放在最前面。

三個 RAG 企業案例的量化成果

數字看起來乾淨,但每一格背後都是一段把系統從「能跑」拉到「有人用」的過程。

我們沒換模型,先做的是把知識庫按「效力狀態」重新切。作廢版本、生效版本、待生效版本各自打標籤,檢索時強制過濾失效文件,並且每個答案都附上出處段落與生效日期。理賠人員一眼能看到「這是根據 2023 年 3 月生效版第 4 條」,才敢直接採用。

答對率從 62% 拉到 94%,靠的不是更大的 context window,是把 300 份文件裡真正該被引用的那 20% 挑對。上線後三個月,查詢工時省下約 1,400 小時。使用率從 6% 爬到 71%,這才是我們真正在盯的數字。

醫療現場的容錯是零。護理師問用藥交互,系統答錯的代價不是重問一次,是病人安全。所以這個案子我們花最多力氣在「拒答」上——當檢索到的證據信心不足,系統會說「我查到兩份可能衝突的指引,請人工確認」,而不是硬湊一個答案。

聽起來反直覺:我們刻意讓它少答。但正是這個設計讓臨床端願意信任它。六分鐘、跨三個系統的查找,壓到單一入口 50 秒,每筆答案都能點回原始指引 PDF 的頁碼。醫院端最後同意把它掛進正式流程,關鍵不是速度,是每一句話都查得到來源。

這家工廠的痛點很典型:三位資深技師快退休,故障排除全靠經驗。我們做的不是掃描一堆 SOP PDF 就了事,而是把過去兩年的維修工單、LINE 群組對話、口述訪談整理成結構化知識,再建 RAG。

現場工人用平板掃設備 QR code 就能問「這台壓鑄機報 E07 怎麼處理」。新人獨立上手從 3 個月縮到 3 週。這裡我們踩過一個雷:一開始把非結構化的閒聊也丟進去,雜訊反而拉低答對率。後來加了一層人工審核的知識萃取,品質才穩定。RAG 不是把資料倒進去就好,前置的資料工程決定天花板。

三個案子的共通點,不是用了多厲害的向量資料庫,而是我們有工程師蹲在客戶現場,盯著真實使用率、答錯的每一則 log、還有第一線願不願意再問第二次。這是我們一直相信的:demo 全場點頭不算交付,系統上線且有人天天在用,才算數。Tenten 做 RAG,交付的從來不是一個問答框,是一條被採用的工作流。