企业知识库混合检索与智能问答系统产品系统Vibe Coding

某企业服务公司的内部文档分散在多个系统里——PDF、Word、Excel、在线文档页面都有，总量 3 万+。

员工找一份资料平均要花 10 分钟，而且传统搜索只会匹配关键词：搜「报销标准」能搜到，搜「出差花销怎么算」就搜不到了。靠人工整理索引在这个体量下不现实。

一、多源文档解析管道
支持 PDF、Word、Excel 等主流格式的统一解析，制定「段落级 + 语义级」两种粒度的切片策略，构建高质量索引。

二、三路混合召回
同时运行三路检索：向量语义检索（理解意思相近但措辞不同的问法）、关键词检索（精确匹配专有名词与编号）、知识图谱路径检索（找出文档之间的关联关系）。三路结果经 RRF（倒数排名融合）去偏后，再用精排模型做二次排序。

三、RAG 离线评估体系
搭建覆盖 Recall@K、MRR、NDCG 的评估 Pipeline。每次调整检索策略都先跑离线评估，用数据判断到底有没有变好，而不是凭感觉。

我负责检索链路的调优与工程落地，主要是三块：

1. 文档解析与切片策略
核心是切片粒度问题——切太粗检索不准，切太细会丢失上下文。最后采用「段落级 + 语义级」两层策略。

2. 三路召回 + 融合排序
向量、关键词、图谱三路同时召回，再用 RRF 融合。RRF 的好处是不需要对不同检索器的分数做归一化——不同检索器的分数分布差异极大，直接加权很难调。

3. 离线评估 Pipeline
这块我认为是整个项目最有价值的部分。没有评估就没有迭代方向，有了它，每次调优都能拿到量化的反馈。

技术栈：LangChain / FastAPI / 向量数据库 / 图数据库 / 嵌入模型 / 重排模型 / PostgreSQL / Docker / BM25 / RRF

踩过的三个坑：
· 切片粒度难定——反复试了几轮，从单一粒度改成两层策略。
· 融合权重靠拍脑袋——早期手工调权重，换个数据集就失效。改用 RRF 后只关心排名，跨检索器天然可比。
· 没有评估就没有方向——这是最大的教训，也是后来补上评估 Pipeline 的直接原因。