第 1 站：您发出的消息，和您看不到的指令
打开 dnamaker.com 的聊天页面，在左侧列表里选择“企业知识找不到”。发给我们的 AI 助手 Dream 的消息，最后一句是“想要能根据公司自有文档回答问题的 AI。”我们就跟着这条消息，一直走到回答回到您的屏幕上。
这条消息会连同最近的对话记录和系统提示词一起发出。系统提示词是团队写好的指令，用户看不到。Dream 的提示词规定了 Dream 是谁，对话从理解需求到提交方案分四个阶段，以及不得编造客户名称或数字。
消息到达模型之前，先要过一道关口。系统限制同一网络可以发送的消息数量，为每天的模型用量设上限；凡是试图套取系统指令的消息，系统直接回复拒绝，不经过模型。
这一站常见的问题有两个。一是系统提示词写得太宽，AI 会答应公司并不提供的服务。二是应用没有关口，结果同时遇到费用失控和提示词注入，也就是诱导系统丢掉原有指令的文字。
第 2 站：LLM 写出回答
LLM 即大语言模型，是从海量文字中学习语言规律的程序。它一小块一小块地写出回答，每次都挑选最可能接在后面的那一块。您每天使用的聊天助手，大多数内部都有一个 LLM。
LLM 擅长语言类工作，比如总结、翻译和追问。但它没有贵公司的数据，不知道训练结束之后发生的事，也不知道自己不知道什么。错误的回答听起来和正确的回答一样笃定，这种现象叫作幻觉（Hallucination）。
在 Dream 中，由一个大语言模型撰写回复。如果您附上图片，另一个模型会先把图片内容描述成文字。模型还会写一行隐藏的状态信息，系统把它截下来，用来填充页面上方的四阶段进度条和“项目概要”面板。
这一站常见的问题是让模型凭记忆回答。模型会猜数字、日期和名称。所以 Dream 从不让模型自己写价格。
第 3 站：RAG 先查资料再回答
RAG 是 Retrieval-Augmented Generation 的缩写，做法是先检索相关信息，再把它和问题一起交给模型。模型根据眼前的资料作答，就像开卷考试。
Dream 的知识是团队自己编写的一小套内容。公司信息写在系统提示词里；如果您是从某个解决方案页面进入的，系统还会附上该页面的内容。语音版 Dream 拿到的是整个网站的地图，由生成页面的同一批文件构建而成。
公司文档太多，不可能每个问题都全部附上，所以面向文档的 RAG 分三步。准备：把文档切成短段落，再把每段转换成代表其含义的一组数字，叫作向量嵌入（Embedding），存进向量数据库。检索：用同样的方法把问题转成数字，找出含义最接近的段落，这样问“产假”的人也能找到标题为“生育休假”的条款。回答：把找到的段落交给模型，要求它依据这些资料作答并注明出处。这样运作的聊天机器人，就是 RAG 聊天机器人。
我们网站上的搜索框按字词匹配，对名称和编号很准；用句子提出的问题，按含义检索效果更好。企业系统通常把两者结合起来，称为混合检索。
这一站常见的问题是检索到错误的文档，比如资料库里仍留着的旧版本，或者从表格中间切开、表头丢失的段落。这样回答也会跟着出错。
第 4 站：回答，以及送到您面前之前的检查
回答显示在屏幕上之前，设计得好的系统还有一道检查，叫作护栏。Dream 的护栏会删除看起来像密钥的字符串；如果回复里出现系统指令的痕迹，系统会丢弃这条回复，换上预先准备好的回复。聊天页面也写明了：Dream 是 AI，可能会出错。
让 AI 说“不知道”，需要事先设计。好的 RAG 会要求模型在检索不到内容时回答“文档中没有”，并且每次都附上出处。Dream 在需求不够清楚时会追问，并把自己的假设写出来，不会默默猜测。
这一站常见的问题有两种：护栏太严，连普通问题也拒绝；护栏太松，放过编造的回答，或者提问者无权查看的数据。
对 AI 的每个回答都问三个问题
- 从哪来？ 依据的是哪份文档、哪一节？说不出来，就把这个回答当作模型的个人看法。
- 有多新？ 这份文档最后一次修改是什么时候，现在还在使用吗？
- 谁把关？ 内容由谁负责，使用前是否需要有人审批？
第 5 站：能调用工具时，应用就成了 AI 智能体
模型自己决定调用哪个工具、由系统代码去执行时，应用就成了 AI 智能体。这种机制叫作工具调用（Tool Calling）。AI 智能体与智能体式 AI（Agentic AI）有何区别，见第 5 章。
Dream 里有三处这样的步骤。估价时，模型挑选模块并留下一个标记，代码根据团队维护的价格表算出区间，再填到标记的位置。回复末尾的按钮，模型只能选择页面标识，链接地址和页面标题都来自我们自己的内容，所以回复不可能把您带到网站以外。语音版 Dream 可以调用工具，在您的浏览器里打开页面，或滚动到某个章节。
Dream 的工具只做计算或带您去某个页面，风险较低。要登记请假申请、修改 ERP 数据的智能体，就需要在执行前设置人工审批环节。
这一站常见的问题：用错误的参数调用工具、重复调用，或者听从了文档里暗藏的指令。
| 仅 LLM | LLM + RAG | AI 智能体 | |
|---|---|---|---|
| 知道什么 | 截至训练日期的通用知识 | 再加上贵公司的文档 | 再加上业务系统的实时数据 |
| 能做什么 | 起草、总结、翻译 | 依据文档回答并注明出处 | 计算、查询系统、生成文件 |
| 怎么出错 | 编造事实 | 检索到旧版本，越过提问者的权限作答 | 调错工具，听从暗藏的指令 |
| 需要什么 | 使用前有人核对 | 有负责人的文档、查看权限 | 收紧的权限、审批环节、每次调用的记录 |
第 6 站：泰语与您的数据
泰语的词与词之间不加空格；而且许多模型切分泰语时，会比同样意思的英语切出更多的片段，也就是 token，所以用泰语调用模型往往更贵。实际工作中还常常两种语言混用，比如“ขอ OT วันเสาร์”（申请周六加班）或“PO เลขนี้ส่งของยัง”（这张采购单发货了吗），按含义检索常常漏掉这类句子。
Dream 根据您输入的文字决定用哪种语言回复。一直用泰语聊天，后来只输入“Excel”，Dream 仍然用泰语回答。语音方面，团队把语言固定为用户的语言，因为让系统自己猜的时候，系统曾把简短的泰语回答转写成日语或葡萄牙语。
我们的聊天页面写明会保存咨询内容，而 Dream 使用的模型是云端服务，适合处理本来就公开在网站上的内容。人事文档或客户数据则需要另作考虑。按照 PDPA，您需要说清楚个人数据在哪个环节离开公司。如果数据不能离开公司，可以选择在您自己的服务器上运行的私有化部署的大模型（Private LLM）。详见数据不能离开公司的企业，有哪些私有化 AI 方案。
这一站常见的问题：系统只用英语测试过；个人数据在没人留意的情况下随问题一起流出公司。
模拟案例
春武里的一家汽车零部件工厂（名称和细节均为虚构）通过 LINE 官方账号推出了一个 AI 助手，检索共享网盘里的文档来回答人事问题。LINE 官方账号是许多泰国企业联系客户和员工的渠道。一名员工问：“今年没休完的年假，可以顺延到明年吗？”这个助手可能在两个地方出错。
第一，网盘里有两个版本的休假制度，检索找到的是写着“可以顺延”的旧版。人事部只好一个个去纠正。解决办法：每套文档都有负责人，新版公布当天把旧版移出资料库，每个回答都显示文档名称和最后修改日期。
第二，团队为了赶进度，把整个网盘都导入进来，连管理层的薪资表也在里面。一位生产线组长问起调薪标准，助手引用了他无权打开的文件里的数字。解决办法：在交给模型之前，先按提问者的权限筛选文档。这类项目的例子见 HR 与 IT 服务台智能体页面。
搭建 RAG 助手之前要准备什么
下面六件事，公司在和任何开发商沟通之前就可以自己准备。
- 文档放在哪里，哪个版本是实际在用的
- 每套文档的负责人，由他确认内容无误
- 更新周期，以及旧版本如何移出资料库
- 查看权限：谁能打开哪份文档
- 员工常问的真实问题，以及文档负责人认可的答案
- 文档中的个人数据，以及按 PDPA 能否离开公司
写给开发团队 · 分块、泰语向量嵌入、混合检索与测试
分块：按标题和表格切分，不按字符数切，因为泰语词间没有空格。把文档名称、修改日期和权限作为元数据附上。泰语向量嵌入：用公司的真实文本测试多语言模型，包括泰英混写和产品编号。混合检索：把基于泰语分词索引的 BM25 与向量检索结合，再做重排序（Reranking）；按权限和日期过滤放在检索阶段完成。测试：上线前用公司实际工作中的真实例子测试系统，并与文档负责人约定怎样才算通过；每次更换模型、提示词或切分方式时重新测试；分别衡量检索是否准确、回答是否忠于文档。也要检查检索到的文档里是否夹带提示词注入。
我们如何为泰国企业构建 RAG 助手和 AI 智能体
DNA Maker 先看文档，再选模型。我们和贵公司团队一起梳理：大家最常问的问题由哪些文档来回答，文档由谁负责，谁能看到什么；哪些部分还没准备好，我们会直接说明。上线之前，我们用贵公司的真实文档和真实问题测试；开发期间，每周给您看演示。
在 AI 修改系统数据的每一个步骤之前，我们都设置审批环节。数据不能离开公司时，我们把私有大模型部署在贵公司的服务器上，并将访问权限与 Active Directory 打通。与您合作的是 DNA Maker 自己的团队，不转包。范围和价格在开工前确定。我们已完成 500 多个项目，客户包括银行、医院和泰国大型企业集团。详见 AI 智能体与聊天机器人和私有化大模型页面，或者把您的项目讲给 Dream 听。
SOFTWARE ENGINEERING GLOSSARY
软件工程术语表
| 术语 | 是什么 | 通俗示例 | 高管应问开发团队的问题 |
|---|---|---|---|
| LLM | 一块一块写出回答的大语言模型 | Dream 用 LLM 撰写聊天页面上的回复 | 这个回答来自我们的文档，还是模型的记忆？ |
| RAG | 先检索相关信息，再连同问题交给模型 | 人事助手先查休假制度再回答 | 检索不到内容时，系统怎么回答？ |
| 向量嵌入 | 把文字转换成代表含义的一组数字 | 问“产假”能找到“生育休假”条款 | 用泰英混写的文本测试过吗？ |
| 工具调用 | 模型选择工具，由代码执行 | Dream 留下标记，代码填入价格区间 | 哪些工具可以修改数据？ |
| 私有大模型 | 运行在公司自己掌控的服务器上的语言模型 | 运行在公司自有服务器上的人事助手 | 个人数据会在哪些环节离开公司？ |