这是 RAG 最经典的应用场景，几乎每个上了规模的公司都有需求。
员工想查公司的报销制度、请假流程、技术规范，以前要么翻 Wiki 翻半天，要么直接问同事。现在接个 RAG 系统，自然语言问一句就能得到答案，还能告诉你出处在哪个文档。
典型的知识来源包括：公司制度文档、产品手册、技术文档、历史项目沉淀、会议纪要等。
如果只是查文档，那还只是知识库。更有价值的是让它能查数据、能干活。
借助 MCP（Model Context Protocol）或类似的工具调用能力，可以把 RAG 系统和企业内部的业务系统打通。这时候它就不只是知识库助手，而是真正的智能助手了。
举几个例子：
这个月我有几天考勤异常？还剩几天年假？——对接 HR 系统
华东区上个月销售额多少？环比怎么样？——对接 BI 数据
帮我查一下订单 #12345 的物流状态——对接订单系统
我名下有哪些待审批的流程？——对接 OA 系统
这种场景下，大模型先理解用户意图，再调用对应的工具去取数，最后把结果组织成自然语言返回。知识检索 + 数据查询 + 工具调用，组合起来就能升级为企业级智能助手。