_{🧠 图解记忆：租户隔离和文档权限必须在检索前执行，答案引用也要可追溯到授权证据；点击图片可查看原图。}

💡 答案要点

题目理解：

企业知识库 RAG 平台：
- 多租户：多个企业客户共享基础设施，数据隔离
- 权限隔离：租户内成员有不同权限（管理员/编辑/查看）
- 核心挑战：数据隔离 + 检索质量 + 成本控制

整体架构：

租户 A 的用户
    ↓
┌─────────────────────────────────────────────────────┐
│                   API 网关                          │
│         认证 │ 限流 │ 租户路由 │ 权限校验             │
└─────────────────────────────────────────────────────┘
    ↓
┌─────────────────────────────────────────────────────┐
│              租户隔离层（Tenant Isolation）           │
│   租户 A 的数据 ──→ Tenant A Namespace / DB          │
│   租户 B 的数据 ──→ Tenant B Namespace / DB          │
└─────────────────────────────────────────────────────┘
    ↓
┌─────────────────────────────────────────────────────┐
│                  RAG 服务层                         │
│   Chunking │ Embedding │ 向量检索 │ 重排序           │
└─────────────────────────────────────────────────────┘
    ↓
┌─────────────────────────────────────────────────────┐
│         知识库存储层（向量 + 文档 + 图谱）           │
│   Pinecone/Milvus（向量） │ S3（原始文档）│ Neo4j（图谱）│
└─────────────────────────────────────────────────────┘

多租户隔离方案对比：

方案	实现	优点	缺点	适用场景
共享数据库+租户ID	所有租户共用一个 DB，用 tenant_id 过滤	成本低、易维护	数据泄露风险、查询性能差	小规模 (< 100 租户)
独立 Schema	每个租户一个 schema	隔离性好、查询快	迁移复杂	中等规模
独立数据库	每个租户独立 MySQL/Redis	完全隔离	成本高、维护难	大客户、高安全需求
Namespace 隔离	向量数据库用 namespace 隔离	实现简单、查询快	依赖底层支持	Pinecone/Weaviate

展开 Python 代码示例（31 行）

# 多租户向量检索实现
class TenantAwareVectorStore:
    def __init__(self, client, tenant_id: str):
        self.client = client
        self.tenant_id = tenant_id  # 租户 ID
    
    def search(self, query: str, top_k: int = 10) -> list[Document]:
        # 租户隔离：每个租户只检索自己的数据
        results = self.client.query(
            namespace=f"tenant_{self.tenant_id}",  # Namespace 隔离
            vector=self.embed(query),
            top_k=top_k,
            filter={"status": {"$eq": "active"}}  # 只检索激活的文档
        )
        
        # 后处理：权限过滤
        return self.apply_permissions(results)
    
    def apply_permissions(self, results: list[Document]) -> list[Document]:
        """根据用户权限过滤结果"""
        user_role = get_current_user_role()
        
        if user_role == "admin":
            return results  # 管理员看全部
        
        if user_role == "editor":
            # 编辑可看自己和公共文档
            return [d for d in results if d.is_public or d.owner_id == current_user_id]
        
        # 查看者只看公共文档
        return [d for d in results if d.is_public]

权限模型设计（RBAC + ABAC）：

# 权限模型：角色 + 操作 + 资源
class Permission:
    READ = "read"
    WRITE = "write"
    DELETE = "delete"
    SHARE = "share"

class Role:
    ADMIN = "admin"       # 全部权限
    EDITOR = "editor"    # 读写
    VIEWER = "viewer"     # 只读

# 知识库权限矩阵
PERMISSION_MATRIX = {
    Role.ADMIN: {Permission.READ, Permission.WRITE, Permission.DELETE, Permission.SHARE},
    Role.EDITOR: {Permission.READ, Permission.WRITE},
    Role.VIEWER: {Permission.READ},
}

def check_permission(role: str, action: str, resource_tenant: str) -> bool:
    """权限校验"""
    if role not in PERMISSION_MATRIX:
        return False
    return action in PERMISSION_MATRIX[role]

企业级 RAG Pipeline：

文档上传
    ↓
┌──────────────────────────────────────────┐
│  文档解析（PDF/Word/Markdown）            │
│  支持表格、图表、公式提取                   │
└──────────────────────────────────────────┘
    ↓
┌──────────────────────────────────────────┐
│  语义 Chunking（不是固定大小！）           │
│  按句子/段落语义边界切分，保留上下文         │
└──────────────────────────────────────────┘
    ↓
┌──────────────────────────────────────────┐
│  Embedding + 元数据标注                   │
│  - 向量化                                 │
│  - 租户 ID                                │
│  - 文档类型（政策/合同/手册）               │
│  - 密级（公开/内部/机密）                   │
└──────────────────────────────────────────┘
    ↓
┌──────────────────────────────────────────┐
│  混合检索（向量 + 关键词）                  │
│  RRF 融合 + 权限过滤                       │
└──────────────────────────────────────────┘
    ↓
答案生成

敏感信息过滤：

class SensitiveDataFilter:
    """敏感数据过滤（PII 检测）"""
    
    def filter(self, text: str) -> str:
        import re
        # 脱敏规则
        patterns = [
            (r"\d{11}", "【手机号】"),      # 手机号
            (r"\d{18}", "【身份证】"),      # 身份证
            (r"\b[\w.-]+@[\w.-]+\.\w+\b", "【邮箱】"),  # 邮箱
            (r"¥\d+", "【金额】"),            # 金额
        ]
        
        for pattern, replacement in patterns:
            text = re.sub(pattern, replacement, text)
        
        return text
    
    async def filter_document(self, doc: Document) -> Document:
        """过滤文档中的敏感信息"""
        doc.content = self.filter(doc.content)
        doc.chunks = [self.filter(chunk) for chunk in doc.chunks]
        return doc

成本估算（100 租户）：

成本项	计算	月成本（万元）
向量存储	100租户 × 100万 chunk × 768维 × $0.25/百万向量/月	2.5
文档存储	100租户 × 10GB × $0.02/GB	20
Embedding API	100租户 × 1000次/天 × 100 chunk × $0.0001	30
LLM 生成	100租户 × 1000次/天 × 500 tokens × $0.002/1K	150
合计		~200/月

面试话术：

"企业知识库 RAG 的核心是'多租户隔离'。我用过三种隔离方案：数据库 schema 隔离（中等规模）、向量 namespace 隔离（大多数场景）、独立数据库（高安全大客户）。权限模型用 RBAC + ABAC 组合——RBAC 控制角色（管理员/编辑/查看），ABAC 控制资源（密级、部门）。PII 脱敏是生产必须的，上传时扫描、脱敏、存储三步走。面试能说清楚'namespace 隔离 + RBAC 权限 + 敏感信息过滤'三件套，说明你对企业级 RAG 有实战理解。"

📚 参考：Milvus：多租户向量检索实践

---