基于运维知识库的智能故障定位助手（RAG系统）产品系统Vibe Coding

企业 IT 运维中，故障事件报告多以 Word/PDF 散落在本地目录或表格中，检索依赖人工翻找，响应慢且难复用历史处置经验。本项目面向基础设施运维场景，把真实运维事件文档构建为可检索知识库，用自然语言完成故障定位与处置问答，目标是降低翻文档成本，并避免大模型在无依据时编造步骤带来的误操作风险。当前运维数字化普遍缺「可溯源、可拒答」的知识问答能力，本项目即针对该缺口落地。

项目主要能力包括：
1）离线建库：解析 docx/pdf/txt，IP/MAC/邮箱脱敏，按 Heading 结构化切分并向量化入库，支持增量更新；
2）智能问答：意图识别 + 向量/BM25 多路召回 + RRF 融合 + 重排，生成可带来源引用的处置建议；
3）防幻觉：重排阈值拒绝、实体覆盖校验、生成后自省硬拒绝，闲聊/域外及未入库问题可拒答；
4）多端接入：命令行、FastAPI 接口、Streamlit 演示页；并配套测试集做 recall@3 等评测。

本人独立负责全流程：文档解析与切分、Chroma 向量库、检索融合与重排、智谱 GLM 生成链路、防幻觉策略、评测与演示界面。技术栈为 Python、LangChain、bge-large-zh / bge-reranker、Chroma、BM25、FastAPI、Streamlit。难点与亮点：运维术语缩写导致检索 miss，通过「标题纳入索引」使已入库事件 recall@3 由约 70.6% 提升至 100%；防幻觉阈值由评测分数分布数据驱动定为 0.8；对「语义相似但事件未入库」增加实体覆盖硬拒绝，避免答非所问。