数据库里的结构化数据，怎么建立RAG知识库？
数据库里的结构化数据，怎么建立 RAG 知识库？两条路线与选型判断
知识库/RAG · 独立篇 | 方案认知（待实测回填，2026-08-28）
📖 摘要：前面聊过文档怎么清洗进知识库，但有朋友问：数据存在数据库里（订单表、客户表、规格表），怎么建 RAG？这篇文章讲清楚一个关键认知——数据库数据建 RAG 的难点不在清洗，在「语义化」：结构化记录（字段名+值）直接向量化是语义哑的。给出两条路线（数据转文档 / 查询即上下文）、Dify 落地四路径、和一张选型判断表。
导读
- 目标读者：做 RAG 知识库、要接业务系统数据库数据的开发者
- 内容边界：本文是路径与选型认知（基于文档建库的既有工程实践推导，完整落地待实测回填），不是已验证的完整教程——文中标注「实测」的才是实测过的部分
- 你会得到：为什么结构化数据不能直接向量化、两条路线怎么选、Dify 里四条落地路径、一张选型表
一、业务场景：文档清洗完，该轮到数据库了
我们之前聊过 RAG 建库前怎么清洗文档（PDF/Word/Markdown → 清洗管线 → 知识库），这套流程解决的是「文档形态」的问题。但知识型业务里还有一大块数据不在文档里——在数据库里：
- 产品规格表：型号、参数、支持协议
- FAQ 台账：问题、答案、分类
- 设备清单：设备 ID、厂商、状态、位置
- 规章制度表：条款编号、正文、生效日期
这些数据有字段、有结构、还能精确查询——但想让它变成「能回答自然语言问题的知识库」，直接灌进去是不行的。
二、场景痛点：结构化数据直接向量化，语义是哑的
把数据库表直接导成文档进知识库，会撞上两个硬问题：
- 语义鸿沟。向量检索按语义匹配。但结构化记录长这样：
{customer_id: 10023, status: active, region: 华东}用户问「我们有多少华东区在跟进中的客户？」——这条记录的向量里没有「跟进中」「华东区」这种自然语言表达，status=active和「跟进中」在向量空间里离得很远，检索召不回。字段名+值不是语言，是编码。
- 动态性。文档入库是一次性快照；数据库每时每刻在变。今天入库的订单表，明天就有新订单——快照知识库回答的永远是「建库那天」的数据。
所以数据库建 RAG 的正确问题不是「怎么清洗」，而是两个前置问题：要不要入库？入库前怎么转成语言？
三、解决方案：两条路线
路线 A：数据转文档（入库型）
把数据库记录转写成自然语言段落，然后走文档建库管线（转换 → 清洗 → 门禁 → 分段 → 建库）。
转写示例（模板转写）：
原记录：{id: WZ-1000, temp_range: -10~60℃, protocol: [Modbus, MQTT]} 转写后：「WZ-1000 工业网关支持 Modbus 和 MQTT 协议接入， 设备工作温度范围 -10℃ 到 60℃。」转写后它就是一篇文章，复用现有清洗质量门禁——但数据库场景门禁重点不同：
| 门禁项 | 文档场景 | 数据库场景重点 |
|---|---|---|
| 自包含 | 单段可答 | 一条记录转一段，段内完整（问温度范围命中即答全） |
| 脱敏 | 正文敏感词 | 字段级剥离：用户 ID/手机号/身份证，转写前决定哪些字段入库 |
| 去重 | 重复段落 | 多表 join 导出易重复 |
路线 B：查询即上下文（直查型）
不建向量库。工作流里用 HTTP 节点调数据库 API → 查到的记录直接拼进 prompt 作上下文。
适合动态、精确的数据：订单状态、库存余量、用户信息。「这个订单什么状态」本质是一条 SQL——确定性查询，向量检索既答不准（语义哑）又答不快（要索引）。直接查库，把结果喂给 LLM，又快又准。
四、Dify 落地路径
| 路径 | 机制 | 适合 | 限制 |
|---|---|---|---|
| 导出 → 转写 → 上传建库 | SQL 导出 → 转写 → 清洗 → 文档上传 | 静态字典/规格/FAQ | 快照时效；大批量需分批 |
| 工作流 HTTP 直查数据库 | HTTP 节点调后端 API → 结果拼上下文 | 实时精确查询 | 需要可查询 API；结果要转自然语言 |
| 外部知识库 API（企业版） | external-knowledge-api：外部检索服务返回结果给 Dify | 已有检索服务、要保留结构化查询 | 企业版特性；需自建检索服务 |
| 混合 | 精确字段直查 + 语义描述走向量库，工作流分流 | 大而全的系统 | 设计成本高 |
五、选型判断
| 数据特征 | 建议 |
|---|---|
| 静态 + 语义问答需求（规格/FAQ/台账） | 路线 A：导出 → 转写 → 建库（走清洗门禁） |
| 动态 + 精确查询需求（订单/库存/状态） | 路线 B：工作流直查，不建向量 |
| 静态 + 量大 + 低更新频率 | 路线 A 分批入库 + 定期重建（快照策略） |
| 需要结构化过滤（按厂商/型号/状态筛） | 入库 + Dify 元数据字段打标 |
六、与「文档建 RAG」的边界澄清
- 本文讨论的「数据库数据」= 结构化表数据；不是BI/报表分析（对话式 BI 是查库出报表，语义检索不是核心）
- 本文路径与既有清洗管线衔接：转写后的文档复用 doc-cleaner 清洗 + 质量门禁（评分/四层验证/污染注入回归）——那部分是实测过的，见《知识库数据清洗后，怎么知道洗得干不干净？》
- 结构化数据到底要不要入库，与知识承载设计的原则一致：判定性/精确查询 → 直查（硬路径）；参考性/语义查询 → 入库（RAG）
七、待实测
以下为方案推断，落地后回填实测数据：
- 模板转写 vs LLM 转写的检索效果对比（转写句式对召回分数的影响）
- LLM 转写的 token 成本与质量抽检标准
- 快照重建策略（多频繁重建、增量 vs 全量）的工程参数
- 混合分流（直查 + 向量）的真实设计样例
八、启示
数据库建 RAG，本质是把「编码」翻译成「语言」——字段名和值在向量空间里是哑的，只有转写成自然语言后才进入 RAG 的适用域。而判断要不要做这一步翻译，标准很简单：数据静态 → 值得翻译（入库）；数据动态 → 别翻译了，直接查（直查）。
一句话：文档是「清洗后入库」，数据库是「转写后入库或直查」。
💬 你接过数据库数据建知识库的需求吗？走的哪条路线？评论区聊聊。
本文为路径与选型认知分享，方案基于既有文档建库工程实践推导，完整数据库接入流程标注「待实测回填」。AI 参与创作声明：本文由 AI 辅助写作，内容基于作者真实工程实践与推断。