服务案例
知识检索
面向企业文档的生产级 RAG
一套生产环境的检索系统，把零散的内部文档变成快速、准确、有出处支撑的答案。
这些案例展示流程与实现经验，不代表拥有独立产品，也不披露客户身份。
挑战
回答常规问题意味着手工翻 PDF、wiki 和 ERPNext 记录。答案慢、不一致，而且取决于谁恰好知道东西放在哪。
做法
- 01
先把文档来源整合起来，构建带语义切分的入库流水线。
- 02
实现混合检索，稠密向量加 BM25 兜底，并用交叉编码器重排序以提升精度。
- 03
答案通过一个简洁的聊天界面呈现，每条回答都链接回它的出处。
- 04
对照真实问题调优检索，并加入评估，在上线前发现回退。
架构
面向企业文档的生产级 RAG 的架构. 主流程： 文档，然后 切分与向量化，然后 混合检索，然后 重排序，然后 带出处的答案. 关联路径： 向量检索 汇入 混合检索; BM25 关键词 作为条件路径来自 混合检索.
LangGraphPineconeERPNextCross-encoderFastAPI
难在哪里
决定准确率的是切分，不是模型。按 token 数切会切断表格和条款边界，检索质量因修好这一点而产生的变化，比任何提示词改动都大。
稠密检索一再漏掉精确词：一个料号、一个制度编号、一个日期。BM25 这条支路正是为此存在，而把两套排序合理地融合，比加上第二个索引本身花了更多轮迭代。
没有评估，回退就是看不见的。一个改动改好了五个答案、弄坏了两个，在有人撞上那两个之前看起来都是改进，所以必须先有一套已知正确答案的问题集，调优才谈得上有意义。
想知道这是怎么做出来的？
背后完整的经验与技能都在简历里。
查看简历