做售前咨询、导购、开户引导这类”业务转化助手”时,最容易掉进一个坑:要么把所有知识都塞进 RAG,结果引导流程顺序混乱;要么把所有知识都写进 Prompt,结果产品库一更新就爆 Token。问题的根源是没有区分知识类型——SOP 和 FAQ 该分开存。

为什么纯 RAG 和纯 LLM Wiki 都不够

先看一个业务转化助手需要什么知识:

知识类型例子特点
核心转化逻辑(SOP)打招呼→挖掘需求→推荐方案→解决顾虑→促成下单几千字,逻辑极强,要求 100% 遵守,绝不能出幻觉
支撑转化的细分知识(FAQ)“高血压能投保吗?""A 套餐和昨日活动能叠加吗?“1000+ 条,随时在变,长尾查询五花八门

这两种知识,用单一方案都有致命问题:

纯切片 RAG 的问题:SOP 被切成碎片后,检索可能把”第三步促成下单”和”第一步打招呼”混在一起捞出来。Agent 把引导顺序搞颠倒,转化率直接跳水。RAG 的碎片化在强流程场景里是灾难。

纯 LLM Wiki 的问题:1000+ 条产品 FAQ 和 SKU 细节,每天在变。LLM Wiki 每次新增知识都要重新计算双链关联,维护成本极高。而且这些长尾细节不值得花 Token 预提炼。

所以答案是:两种存储并存,各做擅长的事。

三层架构

flowchart TD
    subgraph 第一层 控制骨架
        WF["Workflow / 状态机<br>引导 SOP 硬编码"]
    end
    subgraph 第二层 核心知识
        WIKI["LLM Wiki<br>概念 · 路线 · SOP 预提炼"]
    end
    subgraph 第三层 长尾知识
        RAG["切片 RAG<br>FAQ · 产品库 · 动态条款"]
    end
    User["用户"] --> WF
    WF -->|"导航核心概念"| WIKI
    WF -->|"临时检索长尾细节"| RAG
    RAG -->|"回答后跳回主线"| WF
    WIKI -->|"注入精准上下文"| WF
    WF -->|"引导下一步"| User

第一层:Workflow 骨架(控制流)

引导 SOP 硬编码在 Workflow / 状态机 / System Prompt 里。这一层不依赖任何检索,它就是确定性的步骤链:打招呼→挖掘需求→推荐方案→促成转化。确保转化路径不偏航。

这是骨架,Agent 的主循环就在这层跑。用户说什么都不影响下一步该干什么。

第二层:LLM Wiki(核心知识)

核心概念、学习路线、业务 SOP 存为结构化 Markdown + 双链。Agent 通过 Wiki 路由或层级向量检索精准定位到整页预提炼知识,注入 LLM。

这层知识的特点是”少而精”——可能只有几千到一万字,但逻辑递进强、关联清晰、要求零幻觉。LLM Wiki 在写入时预提炼的投入是值得的:一次写入,千次精准读取。

第三层:切片 RAG(长尾知识)

产品库、FAQ、动态条款存入向量数据库。Agent 把 RAG 作为一个 Function Calling Tool 挂载,当用户在引导流程中偏离主线、问出长尾细节时,临时调用 RAG 工具捞答案,回答完跳回主线。

这层知识的特点是”多而杂”——上千条 SKU、每天变的促销规则、五花八门的用户提问。切片 RAG 写入成本极低,动态更新方便,正好兜底。

知识分层设计原则

原则做什么为什么
强流程不走 RAGSOP 硬编码在 Workflow / PromptRAG 碎片化会把引导顺序搞乱
核心概念走 LLM Wiki预提炼 + 双链 + 层级检索零幻觉、全局脉络清晰
长尾细节走 RAG Tool切片 + 向量 + 混合检索写入低成本、动态更新、海量兜底
RAG 回答完跳回主线Agent 调用完 RAG Tool 后恢复 SOP 状态不能让长尾提问打断转化流程

两套存储各自的优势

理解它们各自擅长什么,才能决定什么知识放哪层:

维度LLM Wiki(第二层)切片 RAG(第三层)
写入成本🐢 高(LLM 提炼+分类+建链)⚡ 极低(切块→Embed→入库)
检索质量🧠 全局精准,推理无幻觉局部碎片精确,全局易断章取义
适合数据少而精(SOP、概念、路线)多而杂(FAQ、SKU、动态条款)
更新频率低(半年变一次)高(每天变)
在助手中的角色核心知识底座长尾兜底工具

这不是”选 A 还是选 B”,而是”A 和 B 各放哪一层”。LLM Wiki 做核心知识底座保证精度,RAG 做长尾兜底保证覆盖面,Workflow 做骨架保证流程不偏。三者并存,才是生产级业务转化助手的成熟架构。

一句话带走

  • Workflow 骨架管”该干什么”——引导 SOP 硬编码,转化路径不偏航
  • LLM Wiki管”核心知识”——预提炼 + 双链,零幻觉精准注入
  • 切片 RAG管”长尾细节”——低成本写入、动态更新、海量兜底
  • 三层并存,各做擅长的事