检索增强生成（RAG）已成为将大语言模型锚定在企业数据中的标准范式。典型的实现方式是将文档转换为嵌入向量，存储于向量数据库中，针对查询检索最相似的片段，并将其加入模型提示。这种方法在文档检索、政策搜索、支持内容查询等以语义相似度为主要需求的任务中表现良好。然而，企业知识极少以孤立的段落形式组织，而是分散于各类应用、数据库、API、文档、所有权层级、产品目录及运营记录之中。一旦问题涉及关系、溯源、时间或需要多步推理，仅靠向量检索便显得不可靠。因此，企业人工智能的下一阶段发展，依赖于将 RAG 与企业知识图谱相结合。