智策 — 企业级RAG智能知识库问答平台产品系统Vibe Coding

某大型律所拥有超过10万份合同文书、法规文件及内部制度文档，律师在查找历史案例与条款引用时平均耗时45分钟，效率极低且容易遗漏关键信息。传统的关键词全文检索无法理解语义，也无法处理跨文档的复杂关联问题。为解决这一痛点，我们立项构建基于大语言模型的RAG（检索增强生成）智能问答平台，让律师能够用自然语言直接提问，系统秒级返回精准答案并附原文出处引用。该平台同时服务于新员工培训场景，大幅降低制度学习成本。

核心功能模块包括：
1、多格式文档解析入库：支持PDF、Word、扫描件OCR识别，自动切分语义段落并生成向量索引；
2、混合检索引擎：结合BM25关键词检索与向量语义检索，通过bge-reranker重排序模型二次精排，Top-K召回准确率达92%；
3、智能问答对话：支持多轮上下文追问，回答自动附带原文段落级引用链接，可一键跳转验证；
4、权限分级体系：按部门/角色控制可见文档范围，敏感合同仅限授权人员查询，所有问答记录留痕审计；
5、管理后台：支持文档批量上传、知识库分类管理、热门问题统计、模型回复质量人工标注反馈闭环。
日均承载3000+次查询，P95响应时间1.4秒，回答准确率89%。

本人独立承担整体架构设计与全部核心开发工作。
技术栈：Python + LangChain + Qdrant向量数据库 + FastAPI + PostgreSQL + Redis + Vue3 + Ollama本地化部署Qwen2.5-72B + vLLM推理加速 + Docker容器化 + MinIO对象存储。
架构亮点：采用混合检索（BM25+向量）双通道召回策略解决纯语义检索对专业术语召回不足的问题；引入rerank精排层将准确率从68%提升至89%；针对律所数据敏感性要求，全部模型私有化部署，杜绝数据外泄风险；设计增量索引更新机制，新文档入库后30秒内可被检索。
难点攻克：长文档切分策略优化（按语义边界而非固定token数），显著改善了跨段落的引用准确性；实现流式输出（SSE）提升用户体感响应速度。