rag智能问答系统产品系统

面向绿色金融、可持续金融行业的政策知识问答场景。该行业监管文件多、更新快、专业性强，业务人员查询政策和判断项目是否合规高度依赖专家，效率低且口径不一。
项目基于 RAG 构建政策知识库问答：文档解析入库后，通过向量检索和全文检索的混合召回、重排，再由大模型生成答案，并支持多轮追问、中英双语答案可溯源到具体条款，用于金融机构的合规查询、绿色项目认定和研报素材检索等场景。

一、RAG 功能模块
① 文档接入与解析：支持上传 PDF、Word、Excel 等文档，自动完成解析、按章节分块和向量化入库，同时建立全文索引；
② 混合检索：向量语义召回与全文关键词召回并行执行，通过 RRF 融合排序，兼顾语义匹配与精确命中；
③ 精排与上下文补全：使用本地重排模型对候选结果重新排序，并自动补齐命中片段所属的父章节，保证上下文完整；
④ 检索编排：基于 LangGraph 实现多阶段流程，包括意图拆解、查询规划、并行检索、多轮补充检索和答案合成；
⑤ 意图路由与追问消解：自动识别问题类型并选择检索策略，在多轮对话中补全省略和指代内容；
⑥ 问答 FastPath：通过语义缓存、文档锚定、确定性阅读等快速路径，减少重复的 LLM 调用和响应延迟；
⑦ 引用溯源：答案逐条绑定来源文档、章节和原文片段，点击即可查看原文；
⑧ 多语言问答：支持中英双语知识库问答与答案翻译。

二、主要功能描述
我构建了一套面向绿色金融政策领域的 RAG知识库问答引擎。用户上传监管政策、目录标准等文档后，系统会自动完成解析、分块和向量化入库；提问时，系统通过向量与全文混合召回、RRF 融合、重排和父节补齐获取高质量上下文，再由 LangGraph 编排完成意图拆解、并行检索与答案合成，并以流式方式返回结果。
系统支持多轮对话与追问，可自动消解省略和指代；支持多种检索范围和问答模式；答案可溯源到具体条款与原文片段，有效避免大模型幻觉。同时，系统通过语义缓存与确定性问答等快速路径，在保证准确率的前提下显著降低响应时延。

● 一、负责的具体任务
① 文档解析：负责 PDF/Word 多格式解析，包括文字层提取、扫描件 OCR、段落与表格还原、标题层级识别，输出带章节结构的文本。
② 数据入库：完成清洗、分块、元数据抽取与向量化，写入 pgvector 并建立全文索引，支持增量更新。
③ RAG 检索：实现向量与全文混合召回、RRF 融合、本地重排，并补齐父章节上下文。
④ 智能问答：实现意图识别、多轮追问消解与 LangGraph 检索编排，通过 SSE 流式返回，答案可溯源到原文片段。
⑤ 效果调优：围绕准确率与响应时延，持续调优分块策略、召回数量、重排阈值、语义缓存与快速路径，并用评测集量化效果。

二、技术栈与实现亮点、难点
技术栈：Python 3.10、FastAPI、LangGraph、PostgreSQL + pgvector + pg_trgm、本地 Qwen3 Embedding 与 Reranker、多家
LLM（Qwen/Kimi/GLM/DeepSeek/OpenAI）、PyMuPDF/pdfplumber + OCR、python-docx、SSE、Docker。
亮点：
① 层级分块 + 父节补齐，兼顾召回精度与上下文完整；
② 混合召回 + RRF 融合 + 重排，效果优于单一召回；
③ LangGraph quick/full 双图按问题复杂度自适应，兼顾时延与覆盖率；
④ 答案强制引用溯源，抑制幻觉；
⑤ 语义缓存与确定性快速路径，显著降低延迟和调用成本。
难点：
① PDF/Word 版式复杂（多栏、表格、扫描件、标题层级混乱），解析质量决定检索上限；
② 分块粒度与父子结构设计需评测反复调优；
③ 准确率、覆盖率、时延相互制约，需结合全链路日志定位瓶颈；
④ 多轮省略指代