项目归属于平头哥半导体 DevOps 团队，服务于芯片和 AI 框架研发的 CI/CD 流水线场景。芯片研发的编译链路涉及 RISC-V 交叉编译工具链、多层构建系统和固件镜像生成，单次 CI 日志可达数十 MB，测试场景覆盖软件测试和硬件仿真验证。团队每天面对大量编译和测试失败，其中相当比例是历史上已有人解决过的问题，但排查经验散落在个人记忆和聊天记录中无法复用。芯片验证环境搭建成本高、问题复现困难，重复排查造成的工时浪费远高于普通互联网应用。BugMirror 旨在将缺陷排查经验从个人隐性知识转化为组织级可检索的知识资产，让工程师遇到新问题时能秒级定位历史相似案例和已验证的解决方案。
系统包含四个核心功能模块。缺陷录入模块支持通过 Web 表单结构化记录问题描述、错误日志、根因分析和解决方案，并可调用 LLM 对失败日志进行自动预分析，按编译、测试、通用三类任务使用不同的分析提示词。语义搜索模块支持自然语言查询和失败任务 ID/名称过滤的双通道检索，不需要记住精确报错就能匹配到语义相关的历史缺陷。AI 问答模块基于 RAG 架构，检索知识库中的相似记录注入 LLM 上下文，通过 SSE 流式推送检索结果和生成的分析回答。统计看板模块提供用户行为埋点数据可视化，展示日活趋势、功能使用 TOP10 和用户累计使用时长等运营指标。
我负责语义搜索优化方向，具体包括 RRF 混合搜索结果排序修复、编译任务智能日志提取函数开发、LLM 反幻觉提示词工程以及全项目六十余个文件的企业级中文代码注释。技术栈采用 FastAPI 四层架构加 Pydantic 数据校验，Elasticsearch 8.x 的 dense_vector 做 HNSW 近似最近邻向量检索配合 BM25 全文检索，通过 RRF 倒数排名融合算法合并两路召回。Embedding 和 LLM 均通过 OpenAI 兼容接口对接内部 vLLM 私有化部署。实现亮点是混合搜索的三级阈值双重判定策略和日志预处理管线对编译、测试两类日志分别设计的智能错误片段提取算法。难点在于 RRF 融合后排序依据与展示分数的脱节——排序用的是 RRF 分数但展示的是 kNN 余弦相似度的映射值，两者不单调一致，需要在输出前按展示分数重排才能保证用户看到的顺序与分数一致。
评论