项目描述：整合计算机考研知识库（如官方教材，真题等），结合LLM和RAG技术，开发了面向学生的可本地化部署的智
能问答系统，提高LLM索引关键知识的效率和准确性同时减少幻觉，帮助考研学生高效复习。
项目实现：1.离线索引构建：基于 Qwen3-Embedding-8b 模型与多表征技术，完成考研知识数据向量化，搭建层级向量索
引并分布式存储于 ChromaDB 向量数据库。
2.智能检索优化：通过 Ollama 本地部署 Qwen3-8b 实现用户提问的语义理解与结构化转换，采用 Adaptive-RAG 动态调
度 BM25+ 向量混合检索策略，结合 Self-RAG、RRF 算法与 Cohere 模型完成多轮检索结果融合、去重与精细化重排序，
保障检索精准度。
3.专业回答生成：通过 Prompt 模板结合大模型 CoT 推理能力生成结构清晰的专业回答，同时引入引用溯源机制，实现答
案关键信息与检索来源的可追溯验证。
项目成果:在自建的样本集上进行端到端评估，相比没有构建RAG的LLM回答，关键信息回答准确率由64%上升为92%
1.离线索引构建：基于 Qwen3-Embedding-8b 模型与多表征技术，完成考研知识数据向量化，搭建层级向量索
引并分布式存储于 ChromaDB 向量数据库。
2.智能检索优化：通过 Ollama 本地部署 Qwen3-8b 实现用户提问的语义理解与结构化转换，采用 Adaptive-RAG 动态调
度 BM25+ 向量混合检索策略，结合 Self-RAG、RRF 算法与 Cohere 模型完成多轮检索结果融合、去重与精细化重排序，
保障检索精准度。
3.专业回答生成：通过 Prompt 模板结合大模型 CoT 推理能力生成结构清晰的专业回答，同时引入引用溯源机制，实现答
案关键信息与检索来源的可追溯验证。
1.离线索引构建：基于 Qwen3-Embedding-8b 模型与多表征技术，完成考研知识数据向量化，搭建层级向量索
引并分布式存储于 ChromaDB 向量数据库。
2.智能检索优化：通过 Ollama 本地部署 Qwen3-8b 实现用户提问的语义理解与结构化转换，采用 Adaptive-RAG 动态调
度 BM25+ 向量混合检索策略，结合 Self-RAG、RRF 算法与 Cohere 模型完成多轮检索结果融合、去重与精细化重排序，
保障检索精准度。
3.专业回答生成：通过 Prompt 模板结合大模型 CoT 推理能力生成结构清晰的专业回答，同时引入引用溯源机制，实现答
案关键信息与检索来源的可追溯验证。
评论