医疗企业级WIKI-RAG内部知识库问答系统产品系统

项目背景：公司内部WIKI文档超10万份，覆盖医疗系统开发、运维规范、产品方案、故障处理等全业务场景，传统关键词检索存在查准率低、结果不精准、员工找资料耗时久等问题，需基于大模型RAG技术搭建智能问答系统，实现内部知识的精准检索与自然语言问答。

 搭建全链路文档处理体系：通过Python脚本实现全量WIKI文档的自动化爬取与清洗，支持Markdown、PDF、Word等多格式解析，结合PaddleOCR完成图片型文档的内容提取；基于语义级Chunking分块策略完成文档切分，兼顾上下文完整性与检索精准度；
 构建高精准向量检索链路：选型适配医疗场景的BGE中文Embedding模型，完成文档向量化处理并存入Milvus向量数据库；设计「向量检索+关键词检索」的混合检索架构，加入Reranker重排序模块，解决长文档检索漏检、语义匹配不准的问题；
 大模型集成与Prompt优化：项目初期基于Ollama部署Qwen1.5-7B模型进行快速原型验证；后来Llama3-8B发布后通过模型迁移完成医疗垂直场景大模型的本地化部署与INT4量化优化，通过Modelfile注入医疗行业系统提示词，规范输出格式与合规性；基于Prompt工程核心技法，设计问答优化Prompt，通过CoT思维链提升复杂问题的分步解答能力，有效抑制模型幻觉；
 工程化落地与业务集成：基于LangChain框架搭建完整的RAG问答链路，通过FastAPI开发高并发问答接口，与公司现有运维平台、OA系统完成深度集成；设计用户权限管控体系，实现不同部门、不同岗位的文档访问权限隔离，符合医疗行业数据安全要求；基于Java开发配套的后台管理系统，支持文档实时更新、检索效果监控与模型调优。

主导项目全流程设计与落地，负责RAG架构设计、文档处理、向量数据库搭建、大模型选型与集成、检索策略优化、后端服务开发与全流程上线运维。