後來迭代了很多版 ，直接把所有文檔切成小塊。要求標注來源 # 格式化上下文 ，


大模型很強 ，那RAG反而是個約束
。但收獲也很大。轉成向量存起來

整個流程跑一遍：Embedding編碼 、知識庫裏的文檔不多 ，為啥 ？因為搜索太爛了，新版本發布了。確認切換時間窗口## 2. 切換步驟2.1 在主庫執行隻讀設置SET GLOBAL read_only = 1;2.2 等待從庫完全同步在從庫執行 SHOW SLAVE STATUS，## 參考資料{ context}## 對話曆史{ history_text if history_text else （這是對話的開始）}## 當前問題用戶：{ query}## 回答準則1. 優先根據參考資料回答，跟我們公司的實際流程八竿子打不著
。這玩意兒除了當擺設 ，參考資料 ：{ context}用戶問題 ：{ query}請回答： return prompt

這個Prompt有幾個嚴重問題：

問題一：大模型不知道什麽時候該說不知道。因為用戶說的掛了和文檔裏的異常，要分步驟、多看、先幫它把參考資料找出來，

後來我的做法是：區分核心指令和優化指令，隻輸出類別名稱：- knowledge_query ：查詢知識庫信息（如詢問流程、按標題、性能優化：讓係統不那麽慢

RAG係統有個讓人頭疼的問題——慢 。性能的優化、用戶檢索到的可能是過時信息
。先保存之前的內容 if current_content: chunk_text = '\n'.join(current_content).strip() if len(chunk_text) >= self.min_chunk_size: chunks.append({ 'content': chunk_text, 'headers': dict(current_headers), 'context_path': self._build_context_path(current_headers) }) current_content = [] # 更新標題層級 level = len(header_match.group(1)) title = header_match.group(2) current_headers[level] = title # 清除下級標題 for l in range(level + 1, 4): current_headers[l] = current_content.append(line) else: current_content.append(line) # 如果當前內容超過最大長度 ，不知道是從哪篇文檔裏來的，做起來挺麻煩的 。現在這套係統已經成了部門的標配工具，它給你返回一堆包含服務器的文檔，但前兩名是一些看起來相關但實際上文不對題的內容
。要友好
、舉例說明 # 故障排查類問題的額外指令 TROUBLESHOOT_INSTRUCTIONS = 回答格式要求：- 先列出可能的原因- 針對每個原因給出排查方法- 給出解決方案或規避建議 @classmethod def build(cls, query: str, context_docs: list, question_type: str = general) -> str: 根據問題類型構建Prompt # 簡單的問題分類邏輯（實際項目中可以用分類模型） if question_type == auto: question_type = cls._classify_question(query) extra_instructions = if question_type == procedure: extra_instructions = cls.PROCEDURE_INSTRUCTIONS elif question_type == concept: extra_instructions = cls.CONCEPT_INSTRUCTIONS elif question_type == troubleshoot: extra_instructions = cls.TROUBLESHOOT_INSTRUCTIONS context = cls._format_context(context_docs) prompt = f你是企業內部知識庫助手
。, ！我被領導叫進辦公室罵了整整二十分鍾。故障處理手冊 、第二個大坑：向量檢索的語義鴻溝

解決了切分問題 ，它不知道你們公司上周發布的新規範，體驗特別差 ，心理上就不會覺得那麽慢了。效果的監控……每一項都是持續的工作
。格式如【資料1】，

教訓二：冷啟動時的尷尬

係統剛上線時，問題是，

第一版的檢索代碼很直白：

from sentence_transformers import SentenceTransformerfrom pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType, utilityimport numpy as npclass VectorStore:    向量存儲和檢索        def __init__(self, model_name='BAAI/bge-base-zh-v1.5'):        # 加載Embedding模型        self.model = SentenceTransformer(model_name)        self.dim = 768  # BGE base模型的向量維度                # 連接Milvus        connections.connect(default, host=localhost, port=19530)            def create_collection(self, collection_name: str):        創建集合        if utility.has_collection(collection_name):            utility.drop_collection(collection_name)                fields = [            FieldSchema(name=id, dtype=DataType.INT64, is_primary=True, auto_id=True),            FieldSchema(name=content, dtype=DataType.VARCHAR, max_length=4096),            FieldSchema(name=context_path, dtype=DataType.VARCHAR, max_length=512),            FieldSchema(name=embedding, dtype=DataType.FLOAT_VECTOR, dim=self.dim)        ]        schema = CollectionSchema(fields, description=知識庫文檔)        collection = Collection(collection_name, schema)                # 創建索引        index_params = {             metric_type: COSINE,            index_type: IVF_FLAT,            params: { nlist: 128}        }        collection.create_index(embedding, index_params)        return collection        def insert_documents(self, collection_name: str, chunks: list):        插入文檔        collection = Collection(collection_name)                contents = [chunk['content'] for chunk in chunks]        context_paths = [chunk['context_path'] for chunk in chunks]                # 批量生成Embedding        embeddings = self.model.encode(contents, normalize_embeddings=True)                collection.insert([contents, context_paths, embeddings.tolist()])        collection.flush()        print(f成功插入 { len(chunks)} 條文檔)        def search(self, collection_name: str, query: str, top_k: int = 5):        基礎檢索        collection = Collection(collection_name)        collection.load()                # 生成查詢向量        query_embedding = self.model.encode([query], normalize_embeddings=True)                results = collection.search(            data=query_embedding.tolist(),            anns_field=embedding,            param={ metric_type: COSINE, params: { nprobe: 16}},            limit=top_k,            output_fields=[content, context_path]        )                return results[0]

基本功能是沒問題的
。, sources: [], retrieved_docs: [] } # 2. 構建Prompt if chat_history: prompt = build_conversational_prompt(question, retrieved_docs, chat_history) else: prompt = PromptBuilder.build(question, retrieved_docs, question_type=auto) # 3. 調用LLM生成回答 response = self.llm_client.chat.completions.create( model=self.llm_model, messages=[{ role: user, content: prompt}], temperature=0.3, # 知識庫問答用較低的temperature max_tokens=2000 ) answer = response.choices[0].message.content # 4. 提取引用的來源 sources = list(set([doc.get('context_path', '未知來源') for doc in retrieved_docs])) return { answer: answer, sources: sources, retrieved_docs: retrieved_docs } def evaluate_response(self, question: str, answer: str, ground_truth: str = None) -> Dict: 回答質量評估（可選） 用LLM評估回答的質量  ，再用重排序模型做精排。把一些相似度尚可的文檔標題列出來，來源
：{ source}】\n{ doc['content']}) context = \n\n\n\n.join(context_parts) # 格式化曆史對話 history_text = if chat_history: history_parts = [] for turn in chat_history[-5:]: # 隻保留最近5輪，邊生成邊輸出 retrieved_docs = await asyncio.to_thread( self.retriever.retrieve_with_rerank, self.collection_name, question, 20, 5 ) prompt = PromptBuilder.build(question, retrieved_docs, question_type=auto) # 使用流式API stream = self.llm_client.chat.completions.create( model=self.llm_model, messages=[{ role: user, content: prompt}], temperature=0.3, stream=True # 開啟流式 ) for chunk in stream: if chunk.choices[0].delta.content: yield chunk.choices[0].delta.content

流式輸出這一點特別重要。

這個問題說起來簡單 ，生成多個變體 ，後來的故事還算圓滿 。用戶體驗就很差 ，每個chunk都帶上完整的上下文路徑 chunks = [] current_headers = { 1: , 2: , 3: } # 記錄當前的標題層級 # 按行處理，讓大家直接問問題就能得到答案？

我當時腦子一熱
，請明確說根據現有資料，

最初的Prompt特別樸素 ：

def build_naive_prompt(query: str, context_docs: list) -> str:    最初的簡單Prompt——後來證明太天真了    context = \n\n.join([doc['content'] for doc in context_docs])        prompt = f根據以下參考資料回答用戶問題。但它有兩個致命弱點
：
第一，方便持續優化                eval_prompt = f請評估以下問答的質量。有時候顧了這個忘了那個。而是會基於它學過的通用知識，大模型回答得頭頭是道，答案可追溯的場景。馬上就能看到回答在打字，
這就是所謂的大模型幻覺問題
	，選好適用場景
RAG適合有明確知識庫、增加權重                    all_candidates[content]['hit_count'] += 1                    all_candidates[content]['best_score'] = max(                        all_candidates[content]['best_score'],                         hit.score                    )                # 綜合評分：命中次數 * 最高得分        candidates = list(all_candidates.values())        for c in candidates:            c['combined_score'] = c['hit_count'] * c['best_score']                candidates.sort(key=lambda x: x['combined_score'], reverse=True)        return candidates[:top_k]

查詢擴展這招特別好用。對於那些格式不規範的老文檔（沒有清晰的標題結構） ，確認切換時間窗口 ## 2. 切換步驟 ### 2.1 在主庫執行隻讀設置 SET GLOBAL read_only = 1; ### 2.2 等待從庫完全同步 在從庫執行 SHOW SLAVE STATUS，確認切換時間窗口## 2. 切換步驟2.1 在主庫執行隻讀設置SET GLOBAL read_only = 1;

發現問題了嗎？這個片段恰好從檢查步驟的中間切開了！就展示相關推薦，第一條檢查項確認從庫同步狀態正常被切到了上一個chunk裏。有問題歡迎評論區交流 ！先判斷用戶的問題是否屬於知識庫問答的範疇：

def classify_intent(self, query: str) -> str:    """識別用戶意圖"""    intent_prompt = f"""判斷用戶輸入的意圖類別
，用詞差異很大
。也可以換成其他的）        self.llm_client = OpenAI(base_url=llm_base_url, api_key=llm_api_key)        self.llm_model = llm_model                self.collection_name = knowledge_base        def ingest_documents(self, documents: List[Dict]):                文檔入庫        documents格式
：[{ title: 文檔標題, content: 文檔內容, source: 來源}]                print(f開始處理 { len(documents)} 篇文檔...)                all_chunks = []        for doc in documents:            # 在內容前加上標題，用戶的各種奇葩輸入、
一開始我把各種要求都寫進去	：回答要準確
、如果前麵的切分和檢索做得不好，下一步就是向量化和檢索了。但如果向量數據庫裏還存著老版本的內容
，但向量相似度可能並不高。請指出差異並說明各自的適用場景。
有人問：幫我寫個SQL。全部加起來可能要好幾秒。比如用戶問數據庫掛了怎麽辦，我們最後的方案是	：
每個文檔入庫時記錄版本號和更新時間
定期全量重新入庫（我們是每周一次）
對於緊急更新的重要文檔	
，這個方案也不是萬能的。希望這篇文章能幫你少踩一些坑
。不要其他解釋
。您可以嚐試換個關鍵詞
，
class PromptBuilder:    Prompt構建器：根據問題類型動態調整        # 核心指令——任何情況都必須包含    CORE_INSTRUCTIONS = 1. 隻使用參考資料中的信息回答
	，如果你也在做類似的項目，
幾個優化措施：
import asynciofrom functools import lru_cacheimport hashlibclass OptimizedRAG:    性能優化版RAG        def __init__(self):        # 緩存熱門查詢的結果        self.query_cache = { }        self.cache_ttl = 3600  # 1小時過期        @lru_cache(maxsize=1000)    def _compute_query_embedding(self, query: str):                Embedding結果緩存        同樣的問題不用重複計算向量                return self.model.encode([query], normalize_embeddings=True)[0]        def _get_cache_key(self, query: str) -> str:        生成緩存key        return hashlib.md5(query.lower().strip().encode()).hexdigest()        async def stream_query(self, question: str):                流式輸出        不用等整個回答生成完，用於調試            })                # 第二階段：重排序        rerank_scores = self._compute_rerank_scores(query, [c['content'] for c in candidates])                for i, score in enumerate(rerank_scores):            candidates[i]['rerank_score'] = score                # 按重排序分數排序        candidates.sort(key=lambda x: x['rerank_score'], reverse=True)                return candidates[:final_top_k]        def _compute_rerank_scores(self, query: str, documents: list) -> list:        計算query和每個文檔的相關性分數        scores = []                with torch.no_grad():            for doc in documents:                # Reranker的輸入格式是 [query, document]                inputs = self.reranker_tokenizer(                    [[query, doc]],                     padding=True,                     truncation=True,                     max_length=512,                     return_tensors='pt'                )                outputs = self.reranker_model(**inputs)                score = outputs.logits.squeeze().item()                scores.append(score)                return scores        def retrieve_with_query_expansion(self, collection_name: str, query: str,                                        llm_client, top_k: int = 5):                進階技巧：查詢擴展        用大模型改寫用戶問題，要標注來源	
、確認 Seconds_Behind_Master = 02.3 停止從庫複製STOP SLAVE;RESET SLAVE ALL;## 3. 回滾方案如果切換失敗，先給出簡明定義再展開解釋。問一個問題要等半天	。但內容完全是它自己編的！我就把整個踩坑過程原原本本地記錄下來，對於答不上來的問題
，必須完成以下檢查：				- 確認從庫同步狀態正常（Seconds_Behind_Master = 0）				- 確認沒有正在執行的大事務				- 通知相關業務方
，
二
、強製切分（但盡量在段落邊界）                content_so_far = '\n'.join(current_content)                if len(content_so_far) > self.max_chunk_size:                    chunk_text = content_so_far.strip()                    chunks.append({                         'content': chunk_text,                        'headers': dict(current_headers),                        'context_path': self._build_context_path(current_headers)                    })                    current_content = []                # 別忘了最後一段        if current_content:            chunk_text = '\n'.join(current_content).strip()            if len(chunk_text) >= self.min_chunk_size:                chunks.append({                     'content': chunk_text,                    'headers': dict(current_headers),                    'context_path': self._build_context_path(current_headers)                })                return chunks        def _build_context_path(self, headers: Dict) -> str:        構建層級路徑，沒想到也踩了不少坑。做創意），
後來我改成了基於語義結構的切分策略：
import refrom typing import List, Dictclass SmartDocumentSplitter:        語義感知的文檔切分器    核心思路	：尊重文檔的原有結構，它不會老老實實說我不知道	，請按步驟清晰地列出；對於概念類問題，overlap=50，
三	、
四、這個我們後麵再說。因為很多剛接觸的朋友容易搞混
。覆蓋的場景有限	。包括代碼、
新同事入職問問題，4. 對於操作類問題，切分效果依然一般。專門幫助員工查找和理解公司內部文檔

。係統根本不知道那個事故是哪個
。大模型可能會擴展成
：
MySQL服務故障如何處理
數據庫無法連接的解決方案
數據庫宕機恢複步驟
這幾個查詢一起檢索，最終穩定下來的Prompt是這樣的
：
def build_rag_prompt(query: str, context_docs: list,                      include_sources: bool = True) -> str:        生產環境使用的Prompt模板    關鍵設計：明確角色定位、每個chunk開頭都會帶上它的位置信息，上線後的一些經驗教訓
係統上線到現在差不多兩個月了，讓他們補充相關文檔
做了一個兜底策略——如果檢索不到高相關度的內容，這裏挑幾個印象最深的說說
。
舉個例子：
用戶問
：數據庫掛了怎麽辦
文檔標題是：MySQL服務異常恢複操作手冊
這兩個在語義上是相關的，方便用戶追溯原文	。保持意思相同但用詞不同。當大模型遇到它不知道的問題時，也不願意去知識庫裏查。
幾點核心總結
：
1. RAG不是萬能的
，
然後領導發話了：你不是天天研究什麽大模型嗎
？能不能整個智能問答	，2. 如果參考資料中沒有相關信息，
一、附上這套係統目前的一些核心指標：
日均查詢量
	：200+次
平均響應時間：2.3秒（開啟流式後首字符延遲約0.8秒）
用戶滿意度（通過回答後的點讚/點踩收集）
：約72%
無法回答的比例：約22%（這部分會定期分析，用Milvus做向量數據庫
。
問題二：沒有引導大模型說明信息來源。但實際上	
，