RAG 知识库智能问答系统

项目背景

企业内部知识散落在 PDF、DOCX、CSV 等多种格式的文档中，传统关键词检索难以回答需要理解与推理的问题。本项目设计并实现了一套企业级 RAG（检索增强生成）问答系统，让用户能够基于私有知识库进行自然语言问答。

核心能力

多阶段检索

构建「召回 → 精排」的多阶段检索管线：

1. 混合召回：将 FAISS(HNSW) 向量检索与 BM25（jieba 分词）稀疏检索通过 RRF 融合，兼顾语义匹配与关键词命中，Recall@5 提升 18%。
2. Cross-Encoder 重排：使用 bge-reranker-v2-m3 对召回 Top-20 候选精筛，Top-5 MRR 提升 15%，幻觉率降低 67%。

查询改写（Query Rewriting）

通过 LLM 将模糊、口语化的问句改写为规范化查询，例如将「去年净收入」改写为「2025 年净收入」，Recall 提升 23%。

多轮对话与 Agent

• 支持追问与指代消解，追问回答准确率提升 40%。
• 基于 ReAct 范式构建 Agent，支持 LLM 调用检索 / 计算工具，思考过程可视化。

评估体系

建立 MRR / NDCG / Recall@k 等多维度离线评估，支持不同检索策略的 A/B 对比，让每一次优化都有据可依。

技术栈

• 向量检索：FAISS（HNSW）、BGE Embedding
• 稀疏检索：BM25、jieba
• 重排：bge-reranker-v2-m3
• 交互：Streamlit
• 语言：Python

成果

通过混合检索、重排与查询改写等一系列优化，系统在召回率、排序质量与答案可靠性上均取得显著提升，幻觉率降低 67%。