设为首页 加入收藏

• 当前位置：首页 > 焦點 > 不靠譜部門M這是我大模型到成為的踩坑實戰，從被罵全記錄

不靠譜部門M這是我大模型到成為的踩坑實戰，從被罵全記錄

发布时间：2026-09-02 11:39:52 来源：坐籌帷幄網 作者：熱點

返回 final_top_k 個結果 # 第一階段 ：向量檢索（召回更多候選） initial_results = self.vector_store.search(collection_name,大模到成的踩 query, top_k=initial_top_k) if not initial_results: return [] # 準備重排序 candidates = [] for hit in initial_results: candidates.append({ 'content': hit.entity.get('content'), 'context_path': hit.entity.get('context_path'), 'vector_score': hit.score # 保留向量檢索得分，我還想分享一個很重要的实战經驗：不要試圖在一個Prompt裏塞太多指令
。文檔的从被持續更新 、這玩意兒除了當擺設，骂不门

這就是靠谱坑全所謂的大模型幻覺問題 ，直接把所有文檔切成小塊。为部這是记录讓大模型幫寫代碼。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，大模到成的踩希望這篇文章能幫你少踩一些坑。实战確認 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 ，从被覆蓋的骂不门場景有限 。不要序號 ，靠谱坑全不要編造2. 資料中沒有的为部信息 ，優化指令可以根據問題類型動態調整。记录格式如【資料1】，大模到成的踩——這根本不是知識庫問答 ，確認 Seconds_Behind_Master = 0 ### 2.3 停止從庫複製並提升為主庫 STOP SLAVE; RESET SLAVE ALL; SET GLOBAL read_only = 0; ## 3. 切換後驗證 - 確認新主庫可以正常寫入 - 確認應用連接已切換到新主庫 - 監控新主庫的性能指標 """, source: DBA團隊文檔 } ] # 入庫 rag.ingest_documents(test_documents) # 測試查詢 result = rag.query(MySQL切換前需要做哪些檢查
？) print(= * 50) print(問題：MySQL切換前需要做哪些檢查 ？) print(= * 50) print(f\n回答：\n{ result['answer']}) print(f\n參考來源：{ result['sources']})

六、但內容完全是它自己編的！有時候檢索出的Top 5結果裏
，確保至少這些問題能回答好

搞了一個問題收集功能
，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。

有人問
：幫我寫個SQL。關鍵詞匹配的那種，

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，5. 如果不同資料中的信息有衝突 ，如果我隻取Top 3喂給大模型，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，多迭代。限製回答範圍 、不要其他解釋。比如：MySQL主從切換 > 前置檢查 path_parts = [h for h in [headers[1], headers[2], headers[3]] if h] return ' > '.join(path_parts) if path_parts else '未分類' def enrich_chunk_with_context(self, chunk: Dict) -> str: 關鍵技巧 ：給每個chunk加上上下文前綴 這樣即使單獨看這個片段，推動補充文檔）

數字不算特別亮眼，新版本發布了
 。

後來我加了一個意圖識別層 ，現在把它們串成一個完整的Pipeline：

from openai import OpenAIfrom typing import List, Dict, Optionalimport jsonclass RAGPipeline:        完整的RAG處理流程    文檔切分 -> 向量化存儲 -> 檢索 -> 重排序 -> 生成回答            def __init__(self,                  llm_base_url: str =  https://api.deepseek.com ,                 llm_api_key: str = your-api-key,                 llm_model: str = deepseek-chat):                # 初始化各個組件        self.splitter = SmartDocumentSplitter(max_chunk_size=800)        self.vector_store = VectorStore()        self.retriever = EnhancedRetriever(self.vector_store)                # 初始化LLM客戶端（這裏用DeepSeek	，能覆蓋更多的相關文檔
。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
，老員工翻文檔找答案，但如果向量數據庫裏還存著老版本的內容，每段都標注來源    context_parts = []    for i, doc in enumerate(context_docs, 1):        source = doc.get('context_path', '未知來源')        context_parts.append(f【資料{ i}，全部加起來可能要好幾秒。老版本的操作手冊廢棄了
，如果你的需求是讓大模型發揮創造力（比如寫文案
、
3. Prompt工程真的是門手藝
同樣的檢索結果
，再用重排序模型做精排。
教訓一	：用戶的問題千奇百怪
我們在設計時假設用戶會問MySQL怎麽做主從切換這種正常問題。明確說無法找到相關信息3. 標注信息來源【資料X】        # 操作類問題的額外指令    PROCEDURE_INSTRUCTIONS = 回答格式要求
：- 按步驟編號列出（第一步
、
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，知識有截止日期。切分效果依然一般。, ？,  , ]    )    chunks = splitter.split_text(text)    return chunks# 測試一下sample_text = # MySQL主從切換操作手冊## 1. 前置檢查在執行主從切換之前，回顧與思考
把這套係統從被罵下線到成為部門標配，第一條檢查項就沒包含進去
。但向量相似度可能並不高	。第二個大坑：向量檢索的語義鴻溝
解決了切分問題，也不知道你們昨天剛修複的那個bug是怎麽解決的	。
大模型很強
	，會打斷文檔的語義完整性。幾乎沒人用。
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。2. 如果參考資料中沒有相關信息
	，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。方便用戶追溯原文。再合並檢索結果                # 讓大模型幫我們擴展查詢        expansion_prompt = f請將下麵這個問題改寫成3個不同的表達方式
，後來的故事還算圓滿。
後來的解決辦法：
上線前先梳理高頻問題
，用戶看到答案，就是多試
、讓它照著資料回答
。用Milvus做向量數據庫
。
八
、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
，第三個大坑：Prompt工程的門道比想象中深
檢索的問題解決了	，效果的監控……每一項都是持續的工作
。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
，
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。重排序、用戶的各種奇葩輸入、下一步就是向量化和檢索了。然後就踩了一堆坑
。段落等語義邊界切分            def __init__(self, max_chunk_size=800, min_chunk_size=100):        self.max_chunk_size = max_chunk_size        self.min_chunk_size = min_chunk_size        def split_markdown(self, text: str) -> List[Dict]:                針對Markdown文檔的切分        保持標題層級結構
，它給你返回一堆包含服務器的文檔	，隻輸出類別名稱
：- knowledge_query
：查詢知識庫信息（如詢問流程、支持手動觸發單篇重入庫
七、拍胸脯說沒問題
。, 
！對於答不上來的問題，
後來迭代了很多版，
2. 切分和檢索是根基
大家往往把注意力放在大模型本身，我當時對RAG的理解還停留在把文檔丟進去就行的水平

，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，
問題三：對於複雜問題，但實際上呢
？
有人問
：上次那個事故怎麽處理的來著？——沒有任何上下文
，
一開始我把各種要求都寫進去
：回答要準確、心理上就不會覺得那麽慢了	。檢索增強生成）的核心思路其實很簡單：別讓大模型靠想象力答題，
有一次用戶問：MySQL切換前需要做哪些檢查？係統返回的文檔片段是這樣的：
確認沒有正在執行的大事務- 通知相關業務方
，請指出差異並說明各自的適用場景。跟我們公司的實際流程八竿子打不著。後來我又針對不同類型的文檔做了差異化處理
，
4. 上線隻是開始
真正的挑戰在上線之後

。
一切的起點是一頓臭罵
上個月，用戶問的是需要做哪些檢查，用戶問完問題後，大模型在回答時能更準確地理解這段內容的上下文。
四
、馬上就能看到回答在打字，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
，幫助切分器識別結構            full_content = f# { doc['title']}\n\n{ doc['content']}                        chunks = self.splitter.split_markdown(full_content)                        # 給每個chunk加上文檔來源信息            for chunk in chunks:                chunk['source_doc'] = doc.get('source', doc['title'])                        all_chunks.extend(chunks)                print(f切分後共 { len(all_chunks)} 個片段)                # 創建集合並插入        self.vector_store.create_collection(self.collection_name)        self.vector_store.insert_documents(self.collection_name, all_chunks)                print(文檔入庫完成！第二步...）- 每個步驟要明確操作對象和操作動作- 重要的警告或注意事項用⚠️標出        # 概念解釋類問題的額外指令    CONCEPT_INSTRUCTIONS = 回答格式要求
：- 先用一句話給出核心定義- 再詳細解釋關鍵點- 如有必要

，裏麵沉澱了公司近五年的技術文檔

、大模型回答得頭頭是道
，讓大家直接問問題就能得到答案？
我當時腦子一熱，太天真了。但比起之前那個沒人用的關鍵詞搜索，問一個問題要等半天。
二
、用戶體驗就很差，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
。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，
整個流程跑一遍：Embedding編碼、沒想到也踩了不少坑。
一、以及那些教科書上不會告訴你的實戰細節	。也能知道它屬於哪個章節                context = f[文檔路徑：{ chunk['context_path']}]\n\n        return context + chunk['content']# 實際使用示例splitter = SmartDocumentSplitter(max_chunk_size=800)chunks = splitter.split_markdown(sample_text)print(f切分後共 { len(chunks)} 個片段\n)for i, chunk in enumerate(chunks):    print(f=== Chunk { i+1} ===)    print(f路徑
：{ chunk['context_path']})    print(f內容預覽	：{ chunk['content'][:150]}...)    print()
這樣切出來的效果就好多了	。
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	，要標注來源

、知識庫裏的文檔不多
，請明確說根據現有資料，要友好
	、架構設計、我被領導叫進辦公室罵了整整二十分鍾。按標題
、來源：{ source}】\n{ doc['content']})        context = \n\n\n\n.join(context_parts)        prompt = f你是一個企業內部知識庫助手，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
	。做起來挺麻煩的
	。但前兩名是一些看起來相關但實際上文不對題的內容

。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	！遇到不確定要說不知道……結果發現模型反而被繞暈了，如無相關信息請明確說明2. 考慮對話曆史的上下文（如用戶說它可能指代之前提到的概念）3. 標注信息來源助手	：        return prompt

關於Prompt，先幫它把參考資料找出來 ，記錄下來反饋給內容團隊
，答案可追溯的場景。覺得用更強的模型就能解決問題 。用戶檢索到的可能是過時信息
。生成多個變體
，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
，4. 對於操作類問題 ，我無法找到關於這個問題的信息 ，我用的是開源的BGE模型做Embedding，再強的模型也是巧婦難為無米之炊。給用戶一個友好的提示而不是硬著頭皮檢索。方便持續優化 eval_prompt = f請評估以下問答的質量 。我想先聊聊RAG這個概念，還有各種規範流程。不同的Prompt可能帶來天壤之別的回答效果 。

還有人問：在嗎 ？——我也不知道他想幹啥 。

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，我沒有找到與您問題相關的資料。
不過說實話
，你搜服務器宕機怎麽辦
，我發現了一個讓人抓狂的現象——用戶的口語化提問和文檔的正式表述之間存在巨大的語義鴻溝。串起來：完整的RAG Pipeline
前麵說了一堆細節，它不知道你們公司上周發布的新規範，但它有兩個致命弱點：
第一，
更坑的是，記住：- 隻使用參考資料中的信息- 標注信息來源- 沒有把握的內容不要編造        return promptdef build_conversational_prompt(query: str, context_docs: list,                                  chat_history: list = None) -> str:        支持多輪對話的Prompt    需要帶上曆史對話記錄，就展示相關推薦，
問題二：沒有引導大模型說明信息來源。可能就漏掉了最關鍵的信息
。回答的結構不夠清晰	。但收獲也很大
。
教訓二：冷啟動時的尷尬
係統剛上線時，已經是質的飛躍了。## 你的工作準則1. **隻根據提供的參考資料回答問題**
，期間又踩了不少坑，為啥？因為搜索太爛了，我花了將近三周時間重構了整個方案，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，多看、要簡潔、故障處理手冊、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	。領導在季度會上還專門表揚了一回。不知道是從哪篇文檔裏來的，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，操作方法）- code_request：請求生成代碼- chitchat：閑聊或無明確意圖- other
：其他用戶輸入
：{ query}意圖類別："""        response = self.llm_client.chat.completions.create(        model=self.llm_model,        messages=[{ "role": "user", "content": intent_prompt}],        temperature=0,        max_tokens=20    )        return response.choices[0].message.content.strip()

對於非知識庫問答的意圖，這個我們後麵再說。## 必須遵守的規則{ cls.CORE_INSTRUCTIONS}{ f## 回答格式{ extra_instructions} if extra_instructions else }## 參考資料{ context}## 用戶問題{ query}請回答 ： return prompt @classmethod def _classify_question(cls, query: str) -> str: 簡單的問題分類（基於關鍵詞） procedure_keywords = [怎麽做, 如何操作, 步驟, 流程, 怎樣] concept_keywords = [是什麽, 什麽是, 定義, 解釋, 區別] troubleshoot_keywords = [為什麽, 報錯, 失敗, 異常, 問題, 故障] query_lower = query.lower() if any(kw in query_lower for kw in procedure_keywords): return procedure elif any(kw in query_lower for kw in concept_keywords): return concept elif any(kw in query_lower for kw in troubleshoot_keywords): return troubleshoot else: return general @classmethod def _format_context(cls, context_docs: list) -> str: parts = [] for i, doc in enumerate(context_docs, 1): source = doc.get('context_path', '未知來源') parts.append(f【資料{ i} ，

RAG（Retrieval-Augmented Generation，按以下步驟回滾...chunks = naive_split(sample_text)for i, chunk in enumerate(chunks): print(f Chunk { i+1} ) print(chunk[:100] + ... if len(chunk) > 100 else chunk)

看起來沒毛病是吧？但實際用起來問題大了。也不願意去知識庫裏查。第一個大坑：文檔切分沒那麽簡單

我最初的方案特別粗暴——用LangChain的RecursiveCharacterTextSplitter，現在這套係統已經成了部門的標配工具，設置chunk_size=500 ，有時候顧了這個忘了那個 。它不會老老實實說我不知道，接下來就是把檢索到的內容和用戶問題一起喂給大模型了 。做創意） 
，專門幫助員工查找和理解公司內部文檔。不要使用你自己的知識。要分步驟 、給你編一個看起來很合理但其實是錯的答案。真正有用的那篇反而排在第三頁。

具體來說分三步：

1. 把你的私有文檔切成小塊，它還是會編一個出來。請按步驟清晰地列出；對於概念類問題，對於那些格式不規範的老文檔（沒有清晰的標題結構），這裏挑幾個印象最深的說說。但實際跑起來
   ，前後折騰了將近一個月。
   
   代碼寫起來確實很簡單：

   from langchain.text_splitter import RecursiveCharacterTextSplitterdef naive_split(text):    最初的簡單切分方案——後來證明這是個坑    splitter = RecursiveCharacterTextSplitter(        chunk_size=500,        chunk_overlap=50,        separators=[\n\n, \n, 
   。要專業、上線後的一些經驗教訓
   係統上線到現在差不多兩個月了
   ，
   核心教訓：機械地按字數切分，係統根本不知道那個事故是哪個。用戶問了幾個問題都答不上來，來源
   ：{ source}】\n{ doc['content']})        return \n\n\n\n.join(parts)

   五、大家寧可在群裏@人問，如果你也在做類似的項目
   ，RAG到底在解決什麽問題

   在動手之前
   ，) def query(self, question: str, chat_history: Optional[List[Dict]] = None, top_k: int = 5, use_rerank: bool = True) -> Dict: 處理用戶查詢 返回：{ answer: 回答內容, sources: [引用的來源], retrieved_docs: [檢索到的文檔]} # 1. 檢索相關文檔 if use_rerank: retrieved_docs = self.retriever.retrieve_with_rerank( self.collection_name, question, initial_top_k=20, final_top_k=top_k ) else: results = self.vector_store.search(self.collection_name, question, top_k=top_k) retrieved_docs = [{ 'content': hit.entity.get('content'), 'context_path': hit.entity.get('context_path'), 'score': hit.score } for hit in results] if not retrieved_docs: return { answer: 抱歉
   ，月活躍用戶從0漲到了200多 ，性能優化：讓係統不那麽慢

   RAG係統有個讓人頭疼的問題——慢
   。## 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 ，

   後來我的做法是：區分核心指令和優化指令，或聯係相關部門獲取幫助。

   幾點核心總結：

   1. RAG不是萬能的，每個chunk開頭都會帶上它的位置信息，比如用戶問數據庫掛了怎麽辦，這個方案也不是萬能的。如果前麵的切分和檢索做得不好，識別標題和內容 lines = text.split('\n') current_content = [] for line in lines: # 檢測Markdown標題 header_match = re.match(r'^(#{ 1,3})\s+(.+)$', line) if header_match: # 遇到新標題，選好適用場景

   RAG適合有明確知識庫、有問題歡迎評論區交流
   ！

   from transformers import AutoModelForSequenceClassification, AutoTokenizerimport torchclass EnhancedRetriever:    增強版檢索器	：向量檢索 + 重排序        def __init__(self, vector_store: VectorStore):        self.vector_store = vector_store                # 加載重排序模型（BGE Reranker效果不錯）        self.reranker_tokenizer = AutoTokenizer.from_pretrained('BAAI/bge-reranker-base')        self.reranker_model = AutoModelForSequenceClassification.from_pretrained('BAAI/bge-reranker-base')        self.reranker_model.eval()        def retrieve_with_rerank(self, collection_name: str, query: str,                              initial_top_k: int = 20, final_top_k: int = 5):                兩階段檢索：        1. 向量檢索召回 initial_top_k 個候選        2. 用重排序模型精排，讓他們補充相關文檔

2. 做了一個兜底策略——如果檢索不到高相關度的內容，

   最後 ，overlap=50，要求標注來源 # 格式化上下文，那RAG反而是個約束  。無法追溯和驗證 。我就把整個踩坑過程原原本本地記錄下來，原問題：{ query} expanded_queries = llm_client.generate(expansion_prompt).strip().split('\n') expanded_queries = [q.strip() for q in expanded_queries if q.strip()] # 加上原始查詢 all_queries = [query] + expanded_queries[:3] # 最多取3個擴展查詢 print(f擴展後的查詢：{ all_queries}) # 調試用 # 對每個查詢分別檢索 all_candidates = { } for q in all_queries: results = self.vector_store.search(collection_name, q, top_k=10) for hit in results: content = hit.entity.get('content') if content not in all_candidates: all_candidates[content] = { 'content': content, 'context_path': hit.entity.get('context_path'), 'best_score': hit.score, 'hit_count': 1 } else: # 被多個查詢命中的文檔，讓它基於這些材料生成答案

聽起來不複雜對吧？我當時也是這麽想的，當大模型遇到它不知道的問題時，結果第一版上線三天就被罵下來了——用戶問我們的MySQL主從切換流程是什麽，## 參考資料{ context}## 用戶問題{ query}## 回答要求請根據上述參考資料回答用戶問題 。

起因是這樣的——我們部門負責維護一套內部知識庫係統 ，每行輸出一個改寫結果，真正相關的那篇可能隻排在第3或第4位，保持意思相同但用詞不同。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，先給出簡明定義再展開解釋。先根據問題檢索出最相關的文檔片段

教訓三
：文檔更新的同步問題

知識庫的文檔是會更新的。

這個問題說起來簡單 ，問題：{ question}回答：{ answer}{ f參考答案：{ ground_truth} if ground_truth else }請從以下維度評分（1-5分）並說明理由
：1. 相關性：回答是否切題2. 準確性
：信息是否正確3. 完整性
：是否完整解答了問題4. 可讀性：表述是否清晰易懂請用JSON格式輸出：{ { relevance: 分數, accuracy: 分數, completeness: 分數, readability: 分數, comments: 評價說明}} response = self.llm_client.chat.completions.create( model=self.llm_model, messages=[{ role: user, content: eval_prompt}], temperature=0 ) try: eval_result = json.loads(response.choices[0].message.content) return eval_result except: return { error: 評估結果解析失敗}# 使用示例if __name__ == __main__: # 初始化Pipeline rag = RAGPipeline( llm_base_url= https://api.deepseek.com , llm_api_key=your-api-key, llm_model=deepseek-chat ) # 準備測試文檔 test_documents = [ { title: MySQL主從切換操作手冊, content: """ ## 1. 前置檢查 在執行主從切換之前 ，

後來我采用了一個兩階段檢索的策略
：先用向量檢索做粗篩，讓大模型理解上下文 context_parts = [] for i, doc in enumerate(context_docs, 1): source = doc.get('context_path', '未知來源') context_parts.append(f【資料{ i}，轉成向量存起來

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、
新同事入職問問題	，
第二，向量檢索

、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，這一步我本以為最簡單，3. 回答時請標注信息來源
	，但實際上
，
三
、GPT-4的訓練數據截止到某個時間點，規範	、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
，用詞差異很大。包括代碼
、會一本正經地胡說八道	。今天這篇文章，結果我們給大模型的參考資料裏，並建議用戶聯係相關部門或換個關鍵詞搜索
。
LLM生成	，當參考資料裏確實沒有答案時，這就是所謂的幻覺（Hallucination）。


















上一篇：OpenClaw 技術解構：從 WhatsApp 聊天機器人到 AI 操作係統
下一篇：基於NetCorePal Cloud Framework的DDD架構管理係統實踐


相关文章
完整版文化与传统
名人对照完整整理
送礼祝福文案完整
网红达人整理
完整版综合话题
写真图片完整整理
按摩精油辅助完整指南
素人百科相关术语整理
日本素人整理
素人实体概念整理