【立项原因】教育机构和内容团队普遍面临同一个难题：内部沉淀了上千份教材与教研文档，老师和运营却要花大量时间人工翻找答案；直接接通用大模型，它不懂内部资料，还会一本正经地"胡说"，一旦给错答案就是教学事故。
【行业场景与业务背景】本项目面向教育行业的知识服务场景：问答请求量大、问题难度分层明显（且对回答准确性要求极高、必须可溯源。传统方案要么用关键词搜索甩给用户一堆文档自己翻，要么让大模型自由生成、无法核验。RAG知识系统为此而生：用分层路由把简单问题拦截在轻量路径毫秒级秒回，专业问题走完整检索链路并强制附带原文出处；同时用自动化评测把"回答质量"变成可量化、可回归的工程指标——让教育知识库从"能跑"变成"敢上线"。
1、三级智能路由：自动判别问题类型，简单问题走 FAQ 轻量路径秒回，专业问题才进入完整检索——不为每个问题都支付一次完整检索的延迟与成本；
2、混合召回：BGE-M3 向量语义检索 + BM25 关键词检索双路召回再融合，专有名词、编号、人名也能精准命中；
3、CrossEncoder 精排：粗召回 top-20 后二次精排取 top-3，快模型负责召回、慢模型负责排序，精度与成本兼得；
4、双重阈值拒答：自研"绝对分数 + 相对置信度"双阈值机制，无关问题直接拒答、绝不硬编，把幻觉扼杀在检索层；
5、强制原文出处：每句回答附带可核对的引用来源，人一眼可验证；
6、RAGAS 自动评测体系：忠实度、答案相关性、上下文精确率、召回率四个维度自动打分，每次优化用数据说话，无提升就回滚；
7、Redis 高性能缓存：分词语料与命中结果缓存进 Redis，重复查询零计算开销。
技术栈：Python + 大模型 API + BGE-M3 向量模型 + CrossEncoder 重排模型 + Redis + RAGAS 评测框架；独立完成从链路设计、开发到评测体系搭建的全部工作。
离线索引：文档加载 → 清洗规范化 → 按标题/段落语义边界切分（超长段落定长兜底，避免切断句子导致检索失效）→ 协程并发批量 embedding（瓶颈在网络 IO 而非计算）→ 写入向量库建索引，chunk 挂载出处元数据支持逐句回溯。
在线链路：提问先过三级路由——简单问题走 FAQ 层（BM25L 关键词检索 + 自研「原始分绝对阈值 + Softmax 相对置信度」双重过滤，解决归一化掩盖绝对量级导致的无关问题误命中，未命中自动降级）；专业问题进入完整检索：BM25 + 向量双路召回融合取 top-20 → CrossEncoder 精排取 top-3 → 拼装带引用的 prompt → 大模型生成逐句带原文出处的回答；检索分低于阈值直接拒答不硬编。
评论