在 AI 蓬勃發(fā)展的時代，智能問答助手已深度融入我們的工作與生活。

但不同智能助手的表現(xiàn)參差不齊，有的常常含糊其辭、答非所問；有的卻精準(zhǔn)流暢，宛如行業(yè)專家。

其實(shí)，這一巨大差距的根源，在于是否應(yīng)用了RAG（檢索增強(qiáng)生成）技術(shù)，以及是否攻克了RAG技術(shù)的關(guān)鍵瓶頸。

開源RAG的優(yōu)勢和短板

RAG技術(shù)改變了傳統(tǒng)的智能問答模式。傳統(tǒng)模式需把大量文檔納入大模型訓(xùn)練，成本高、耗時久，知識更新還得重新訓(xùn)練，效率低下。

RAG 技術(shù)則在大模型外構(gòu)建獨(dú)立文檔檢索系統(tǒng)。用戶提問時，系統(tǒng)先從文檔庫精準(zhǔn)篩選相關(guān)片段，再與問題一同輸入大模型生成回答。

使企業(yè)無需大規(guī)模訓(xùn)練大模型，就能快速運(yùn)用最新文檔知識，大幅提升響應(yīng)速度與回答準(zhǔn)確性，降低企業(yè)知識管理成本和維護(hù)難度。

RAG技術(shù)示意

然而，開源 RAG 技術(shù)也存在顯著局限。

#在文檔切分上，面對含多層級標(biāo)題、交叉引用、嵌套段落等復(fù)雜結(jié)構(gòu)的專業(yè)文檔，只能依靠簡單規(guī)則按固定字?jǐn)?shù)或段落切分，致使片段過長含冗余或過短致語義破碎，影響大模型對核心要點(diǎn)的把握，降低問答質(zhì)量；

#向量召回策略先天不足，僅 60 - 70% 的文檔召回命中率，導(dǎo)致大量相關(guān)文檔遺漏，限制大模型生成回答時的參考信息，削弱回答全面性與準(zhǔn)確性；

#檢索重排環(huán)節(jié)，缺乏有效機(jī)制精準(zhǔn)判斷召回片段與用戶問題的語義相關(guān)性，僅靠基礎(chǔ)方式排序，面對隱晦問題無法將關(guān)鍵內(nèi)容前置，使大模型因參考信息無序難以生成條理清晰、針對性強(qiáng)的答案。

突破開源RAG短板的5大關(guān)鍵策略

01創(chuàng)新性切分算法重塑回答精準(zhǔn)度

深度語義與結(jié)構(gòu)分析：金現(xiàn)代自研了一套切分算法，將其應(yīng)用在小金智問智能問答平臺當(dāng)中。與市面上常規(guī)切分算法不同，它突破了僅以段落、句子為依據(jù)的刻板模式。

通過實(shí)踐驗(yàn)證以及眾多客戶的真實(shí)反饋，該算法能夠深入到文檔結(jié)構(gòu)與語義層面，充分利用大綱、目錄、章節(jié)、標(biāo)題等多維度關(guān)鍵信息，對文檔進(jìn)行精準(zhǔn)切分。

在處理文檔時，它能精準(zhǔn)把握段落邏輯與內(nèi)容關(guān)聯(lián)，確保切分后的文本片段長短適宜，語義連貫且完整。

這種切分方式為智能問答提供更優(yōu)質(zhì)、準(zhǔn)確的信息輸入，大幅提升了智能問答的準(zhǔn)確性。

表格與公式解析突破：針對文檔中的表格和公式，金現(xiàn)代研發(fā)了基于類HTML 解析語法的表格理解增強(qiáng)技術(shù)（已申請專利）。

這一技術(shù)能夠幫助大模型更準(zhǔn)確地理解表格中數(shù)據(jù)的真實(shí)語義。

以差旅報(bào)銷住宿標(biāo)準(zhǔn)為例，大模型借助該技術(shù)可以清晰地識別各數(shù)據(jù)所代表的指標(biāo)以及數(shù)據(jù)之間的關(guān)聯(lián)，準(zhǔn)確回答諸如 “北京出差的住宿標(biāo)準(zhǔn)” 等針對表格的復(fù)雜問題。

表格解析示意

02自主召回策略擴(kuò)大知識覆蓋

開源 RAG 技術(shù)的向量召回策略，其召回文檔命中率在 60 - 70%。

金現(xiàn)代采用自研的向量召回 + 關(guān)鍵詞召回的多路召回策略，成功將召回的文檔命中率提升至 85% 以上。

向量召回通過優(yōu)化向量空間模型，更精準(zhǔn)地計(jì)算語義相似度；關(guān)鍵詞召回則基于對文檔內(nèi)容的深入詞法、句法分析，精準(zhǔn)提取關(guān)鍵信息。

這一創(chuàng)新策略大大擴(kuò)充了大模型在生成回答時可參考的知識范圍，為提供更全面、準(zhǔn)確的回答奠定了堅(jiān)實(shí)基礎(chǔ)。

03智能檢索重排優(yōu)化信息呈現(xiàn)

金現(xiàn)代引入檢索重排（Rerank）技術(shù)，并采用 Cross - Encoder 模型對召回片段進(jìn)行二次排序。

該模型能夠聯(lián)合編碼查詢問題與召回文檔片段，精準(zhǔn)捕捉二者之間的語義相關(guān)性，使更相關(guān)的片段排在更靠前的位置。

使得大模型生成的回答更具針對性和準(zhǔn)確性，有效避免了無關(guān)或低相關(guān)信息對回答的干擾。

04可視化切分配置滿足個性需求

為滿足企業(yè)多樣化的個性需求，金現(xiàn)代提供了可視化切分配置方法。

在實(shí)際操作中，切分方案可能因業(yè)務(wù)變化、文檔更新等因素出現(xiàn)不合理的情況。有了可視化切分配置，企業(yè)無需擔(dān)憂復(fù)雜的技術(shù)流程或依賴外部技術(shù)支持。

通過直觀的操作界面，可自主完成對切分片段的編輯、修改、合并等操作，高效解決切分不合理的難題，保障知識管理工作順暢推進(jìn)。

05嚴(yán)密權(quán)限控制保障數(shù)據(jù)安全

金現(xiàn)代擁有一套完整的權(quán)限控制體系，這意味著傳遞給大模型的知識均經(jīng)過嚴(yán)格的權(quán)限過濾。

以一個擁有多個部門的企業(yè)為例，市場部員工僅能訪問與市場業(yè)務(wù)相關(guān)的文檔，研發(fā)部員工只能查看研發(fā)相關(guān)資料。

即使大模型功能強(qiáng)大，也無法獲取超出員工權(quán)限范圍的知識，從根本上杜絕了數(shù)據(jù)泄露的風(fēng)險。

金現(xiàn)代將以上技術(shù)應(yīng)用在小金智問智能問答平臺中，目前已在多家客戶的實(shí)際業(yè)務(wù)場景中成功落地，具有高準(zhǔn)確性、強(qiáng)安全性、低成本的顯著優(yōu)勢。未來，金現(xiàn)代會持續(xù)提供高效、精準(zhǔn)的智能化服務(wù)，為企業(yè)的持續(xù)創(chuàng)新與發(fā)展賦能。