题是，这玩意儿除了当摆设，几乎没人用。为啥？因为搜索太烂了，关键词匹配的那种，你搜服务器宕机怎么办，它给你返回一堆包含服务器的文档，真正有用的那篇反而排在第三页。

新同事入职问问题，老员工翻文档找答案，大家宁可在群里@人问，也不愿意去知识库里查。

然后领导发话了：你不是天天研究什么大模型吗？能不能整个智能问答，让大家直接问问题就能得到答案？

我当时脑子一热，拍胸脯说没问题。结果第一版上线三天就被骂下来了——用户问我们的MySQL主从切换流程是什么，大模型回答得头头是道，但内容完全是它自己编的！跟我们公司的实际流程八竿子打不着。

这就是所谓的大模型幻觉问题，我当时对RAG的理解还停留在把文档丢进去就行的水平，太天真了。

不过，后来的故事还算圆满。我花了将近三周时间重构了整个方案，现在这套系统已经成了部门的标配工具，月活跃用户从0涨到了200多，领导在季度会上还专门表扬了一回。今天这篇文章，我就把整个踩坑过程原原本本地记录下来，包括代码、架构设计、以及那些教科书上不会告诉你的实战细节。

一、RAG到底在解决什么问题

在动手之前，我想先聊聊RAG这个概念，因为很多刚接触的朋友容易搞混。

大模型很强，但它有两个致命弱点：

第一，知识有截止日期。 GPT-4的训练数据截止到某个时间点，它不知道你们公司上周发布的新规范，也不知道你们昨天刚修复的那个bug是怎么解决的。

第二，会一本正经地胡说八道。 当大模型遇到它不知道的问题时，它不会老老实实说我不知道，而是会基于它学过的通用知识，给你编一个看起来很合理但其实是错的答案。这就是所谓的幻觉（Hallucination）。

RAG（Retrieval-Augmented Generation，检索增强生成）的核心思路其实很简单：别让大模型靠想象力答题，先帮它把参考资料找出来，让它照着资料回答。
 

具体来说分三步：

1. 把你的私有文档切成小块，转成向量存起来
2. 用户提问时，先根据问题检索出最相关的文档片段
3. 把问题和检索到的内容一起喂给大模型，让它基于这些材料生成答案

听起来不复杂对吧？我当时也是这么想的，然后就踩了一堆坑。

二、第一个大坑：文档切分没那么简单

我最初的方案特别粗暴——用LangChain的RecursiveCharacterTextSplitter，设置chunk_size=500，overlap=50，直接把所有文档切成小块。
 

代码写起来确实很简单：

from langchain.text_splitter import RecursiveCharacterTextSplitter

def naive_split(text):
    最初的简单切分方案——后来证明这是个坑
    splitter = RecursiveCharacterTextSplitter(
        chunk_size=500,
        chunk_overlap=50,
        separators=[\n\n, \n, 。, ！, ？,  , ]
    )
    chunks = splitter.split_text(text)
    return chunks

# 测试一下
sample_text = 
# MySQL主从切换操作手册

## 1. 前置检查
在执行主从切换之前，必须完成以下检查：
- 确认从库同步状态正常（Seconds_Behind_Master = 0）
- 确认没有正在执行的大事务
- 通知相关业务方，确认切换时间窗口

## 2. 切换步骤
2.1 在主库执行只读设置
SET GLOBAL read_only = 1;

2.2 等待从库完全同步
在从库执行 SHOW SLAVE STATUS，确认 Seconds_Behind_Master = 0

2.3 停止从库复制
STOP SLAVE;
RESET SLAVE ALL;

## 3. 回滚方案
如果切换失败，按以下步骤回滚...


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)

看起来没毛病是吧？但实际用起来问题大了。

有一次用户问：MySQL切换前需要做哪些检查？系统返回的文档片段是这样的：

确认没有正在执行的大事务
- 通知相关业务方，确认切换时间窗口

## 2. 切换步骤
2.1 在主库执行只读设置
SET GLOBAL read_only = 1;

发现问题了吗？这个片段恰好从检查步骤的中间切开了！第一条检查项确认从库同步状态正常被切到了上一个chunk里。用户问的是需要做哪些检查，结果我们给大模型的参考资料里，第一条检查项就没包含进去。

核心教训：机械地按字数切分，会打断文档的语义完整性。

后来我改成了基于语义结构的切分策略：

import re
from typing import List, Dict

class SmartDocumentSplitter:
    
    语义感知的文档切分器
    核心思路：尊重文档的原有结构，按标题、段落等语义边界切分
    
    
    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]:
        
        针对Markdown文档的切分
        保持标题层级结构，每个chunk都带上完整的上下文路径
        
        chunks = []
        current_headers = {1: , 2: , 3: }  # 记录当前的标题层级
        
        # 按行处理，识别标题和内容
        lines = text.split('\n')
        current_content = []
        
        for line in lines:
            # 检测Markdown标题
            header_match = re.match(r'^(#{1,3})\s+(.+)$', line)
            
            if header_match:
                # 遇到新标题，先保存之前的内容
                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 = []
                
                # 更新标题层级
                level = len(header_match.group(1))
                title = header_match.group(2)
                current_headers[level] = title
                
                # 清除下级标题
                for l in range(level + 1, 4):
                    current_headers[l] = 
                
                current_content.append(line)
            else:
                current_content.append(line)
                
                # 如果当前内容超过最大长度，强制切分（但尽量在段落边界）
                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 = []
        
        # 别忘了最后一段
        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:
        构建层级路径，比如：MySQL主从切换 > 前置检查
        path_parts = [h for h in [headers[1], headers[2], headers[3]] if h]
        return ' > '.join(path_parts) if path_parts else '未分类'
    
    def enrich_chunk_with_context(self, chunk: Dict) -> str:
        
        关键技巧：给每个chunk加上上下文前缀
        这样即使单独看这个片段，也能知道它属于哪个章节
        
        context = f[文档路径：{chunk['context_path']}]\n\n
        return context + chunk['content']


# 实际使用示例
splitter = SmartDocumentSplitter(max_chunk_size=800)
chunks = splitter.split_markdown(sample_text)

print(f切分后共 {len(chunks)} 个片段\n)
for i, chunk in enumerate(chunks):
    print(f=== Chunk {i+1} ===)
    print(f路径：{chunk['context_path']})
    print(f内容预览：{chunk['content'][:150]}...)
    print()

这样切出来的效果就好多了。每个chunk开头都会带上它的位置信息，大模型在回答时能更准确地理解这段内容的上下文。

不过说实话，这个方案也不是万能的。对于那些格式不规范的老文档（没有清晰的标题结构），切分效果依然一般。后来我又针对不同类型的文档做了差异化处理，这个我们后面再说。

三、第二个大坑：向量检索的语义鸿沟

解决了切分问题，下一步就是向量化和检索了。我用的是开源的BGE模型做Embedding，用Milvus做向量数据库。

第一版的检索代码很直白：

from sentence_transformers import SentenceTransformer
from pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType, utility
import numpy as np

class VectorStore:
    向量存储和检索
    
    def __init__(self, model_name='BAAI/bge-base-zh-v1.5'):
        # 加载Embedding模型
        self.model = SentenceTransformer(model_name)
        self.dim = 768  # BGE base模型的向量维度
        
        # 连接Milvus
        connections.connect(default, host=localhost, port=19530)
        
    def create_collection(self, collection_name: str):
        创建集合
        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=知识库文档)
        collection = Collection(collection_name, schema)
        
        # 创建索引
        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):
        插入文档
        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)} 条文档)
    
    def search(self, collection_name: str, query: str, top_k: int = 5):
        基础检索
        collection = Collection(collection_name)
        collection.load()
        
        # 生成查询向量
        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]

基本功能是没问题的。但实际跑起来，我发现了一个让人抓狂的现象——用户的口语化提问和文档的正式表述之间存在巨大的语义鸿沟。

举个例子：

• 用户问：数据库挂了怎么办
• 文档标题是：MySQL服务异常恢复操作手册

这两个在语义上是相关的，但向量相似度可能并不高。因为用户说的挂了和文档里的异常，用词差异很大。

更坑的是，有时候检索出的Top 5结果里，真正相关的那篇可能只排在第3或第4位，但前两名是一些看起来相关但实际上文不对题的内容。如果我只取Top 3喂给大模型，可能就漏掉了最关键的信息。

后来我采用了一个两阶段检索的策略：先用向量检索做粗筛，再用重排序模型做精排。

from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch

class EnhancedRetriever:
    增强版检索器：向量检索 + 重排序
    
    def __init__(self, vector_store: VectorStore):
        self.vector_store = vector_store
        
        # 加载重排序模型（BGE Reranker效果不错）
        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):
        
        两阶段检索：
        1. 向量检索召回 initial_top_k 个候选
        2. 用重排序模型精排，返回 final_top_k 个结果
        
        # 第一阶段：向量检索（召回更多候选）
        initial_results = self.vector_store.search(collection_name, query, top_k=initial_top_k)
        
        if not initial_results:
            return []
        
        # 准备重排序
        candidates = []
        for hit in initial_results:
            candidates.append({
                'content': hit.entity.get('content'),
                'context_path': hit.entity.get('context_path'),
                'vector_score': hit.score  # 保留向量检索得分，用于调试
            })
        
        # 第二阶段：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
        
        # 按重排序分数排序
        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:
        计算query和每个文档的相关性分数
        scores = []
        
        with torch.no_grad():
            for doc in documents:
                # Reranker的输入格式是 [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):
        
        进阶技巧：查询扩展
        用大模型改写用户问题，生成多个变体，再合并检索结果
        
        # 让大模型帮我们扩展查询
        expansion_prompt = f请将下面这个问题改写成3个不同的表达方式，保持意思相同但用词不同。
每行输出一个改写结果，不要序号，不要其他解释。

原问题：{query}
        
        expanded_queries = llm_client.generate(expansion_prompt).strip().split('\n')
        expanded_queries = [q.strip() for q in expanded_queries if q.strip()]
        
        # 加上原始查询
        all_queries = [query] + expanded_queries[:3]  # 最多取3个扩展查询
        
        print(f扩展后的查询：{all_queries})  # 调试用
        
        # 对每个查询分别检索
        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:
                    # 被多个查询命中的文档，增加权重
                    all_candidates[content]['hit_count'] += 1
                    all_candidates[content]['best_score'] = max(
                        all_candidates[content]['best_score'], 
                        hit.score
                    )
        
        # 综合评分：命中次数 * 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]

查询扩展这招特别好用。比如用户问数据库挂了怎么办，大模型可能会扩展成：

• MySQL服务故障如何处理
• 数据库无法连接的解决方案
• 数据库宕机恢复步骤

这几个查询一起检索，能覆盖更多的相关文档。

四、第三个大坑：Prompt工程的门道比想象中深

检索的问题解决了，接下来就是把检索到的内容和用户问题一起喂给大模型了。这一步我本以为最简单，没想到也踩了不少坑。

最初的Prompt特别朴素：

def build_naive_prompt(query: str, context_docs: list) -> str:
    最初的简单Prompt——后来证明太天真了
    context = \n\n.join([doc['content'] for doc in context_docs])
    
    prompt = f根据以下参考资料回答用户问题。

参考资料：
{context}

用户问题：{query}

请回答：
    
    return prompt

这个Prompt有几个严重问题：

问题一：大模型不知道什么时候该说不知道。 当参考资料里确实没有答案时，它还是会编一个出来。

问题二：没有引导大模型说明信息来源。 用户看到答案，不知道是从哪篇文档里来的，无法追溯和验证。

问题三：对于复杂问题，回答的结构不够清晰。

后来迭代了很多版，最终稳定下来的Prompt是这样的：

def build_rag_prompt(query: str, context_docs: list, 
                     include_sources: bool = True) -> str:
    
    生产环境使用的Prompt模板
    关键设计：明确角色定位、限制回答范围、要求标注来源
    
    
    # 格式化上下文，每段都标注来源
    context_parts = []
    for i, doc in enumerate(context_docs, 1):
        source = doc.get('context_path', '未知来源')
        context_parts.append(f【资料{i}，来源：{source}】\n{doc['content']})
    
    context = \n\n\n\n.join(context_parts)
    
    prompt = f你是一个企业内部知识库助手，专门帮助员工查找和理解公司内部文档。

## 你的工作准则

1. **只根据提供的参考资料回答问题**，不要使用你自己的知识。
2. 如果参考资料中没有相关信息，请明确说根据现有资料，我无法找到关于这个问题的信息，并建议用户联系相关部门或换个关键词搜索。
3. 回答时请标注信息来源，格式如【资料1】，方便用户追溯原文。
4. 对于操作类问题，请按步骤清晰地列出；对于概念类问题，先给出简明定义再展开解释。
5. 如果不同资料中的信息有冲突，请指出差异并说明各自的适用场景。

## 参考资料

{context}

## 用户问题

{query}

## 回答要求

请根据上述参考资料回答用户问题。记住：
- 只使用参考资料中的信息
- 标注信息来源
- 没有把握的内容不要编造

    
    return prompt


def build_conversational_prompt(query: str, context_docs: list, 
                                 chat_history: list = None) -> str:
    
    支持多轮对话的Prompt
    需要带上历史对话记录，让大模型理解上下文
    
    
    context_parts = []
    for i, doc in enumerate(context_docs, 1):
        source = doc.get('context_path', '未知来源')
        context_parts.append(f【资料{i}，来源：{source}】\n{doc['content']})
    context = \n\n\n\n.join(context_parts)
    
    # 格式化历史对话
    history_text = 
    if chat_history:
        history_parts = []
        for turn in chat_history[-5:]:  # 只保留最近5轮，避免太长
            history_parts.append(f用户：{turn['user']})
            history_parts.append(f助手：{turn['assistant']})
        history_text = \n.join(history_parts)
    
    prompt = f你是一个企业内部知识库助手。

## 参考资料

{context}

## 对话历史

{history_text if history_text else （这是对话的开始）}

## 当前问题

用户：{query}

## 回答准则

1. 优先根据参考资料回答，如无相关信息请明确说明
2. 考虑对话历史的上下文（如用户说它可能指代之前提到的概念）
3. 标注信息来源

助手：
    
    return prompt

关于Prompt，我还想分享一个很重要的经验：不要试图在一个Prompt里塞太多指令。

一开始我把各种要求都写进去：回答要准确、要简洁、要友好、要专业、要标注来源、要分步骤、遇到不确定要说不知道……结果发现模型反而被绕晕了，有时候顾了这个忘了那个。

后来我的做法是：区分核心指令和优化指令，核心指令必须保留，优化指令可以根据问题类型动态调整。

class PromptBuilder:
    Prompt构建器：根据问题类型动态调整
    
    # 核心指令——任何情况都必须包含
    CORE_INSTRUCTIONS = 
1. 只使用参考资料中的信息回答，不要编造
2. 资料中没有的信息，明确说无法找到相关信息
3. 标注信息来源【资料X】

    
    # 操作类问题的额外指令
    PROCEDURE_INSTRUCTIONS = 
回答格式要求：
- 按步骤编号列出（第一步、第二步...）
- 每个步骤要明确操作对象和操作动作
- 重要的警告或注意事项用⚠️标出

    
    # 概念解释类问题的额外指令
    CONCEPT_INSTRUCTIONS = 
回答格式要求：
- 先用一句话给出核心定义
- 再详细解释关键点
- 如有必要，举例说明

    # 故障排查类问题的额外指令
    TROUBLESHOOT_INSTRUCTIONS = 
回答格式要求：
- 先列出可能的原因
- 针对每个原因给出排查方法
- 给出解决方案或规避建议

    
    @classmethod
    def build(cls, query: str, context_docs: list, question_type: str = general) -> str:
        根据问题类型构建Prompt
        
        # 简单的问题分类逻辑（实际项目中可以用分类模型）
        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你是企业内部知识库助手。

## 必须遵守的规则
{cls.CORE_INSTRUCTIONS}

{f## 回答格式{extra_instructions} if extra_instructions else }

## 参考资料
{context}

## 用户问题
{query}

请回答：
        
        return prompt
    
    @classmethod
    def _classify_question(cls, query: str) -> str:
        简单的问题分类（基于关键词）
        procedure_keywords = [怎么做, 如何操作, 步骤, 流程, 怎样]
        concept_keywords = [是什么, 什么是, 定义, 解释, 区别]
        troubleshoot_keywords = [为什么, 报错, 失败, 异常, 问题, 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', '未知来源')
            parts.append(f【资料{i}，来源：{source}】\n{doc['content']})
        return \n\n\n\n.join(parts)

五、串起来：完整的RAG Pipeline

前面说了一堆细节，现在把它们串成一个完整的Pipeline：