RAG实践 - AI 知识库问答功能的建设

最近在工作中构建了一套自动的基于文档中心为数据集构建知识库 AI 问答的系统，来提升用户体验和技术支持效率，分享一下在实现过程中的技术选型和架构设计。

背景

先说下背景，我们公司的产品 FinClip 是做小程序全套解决方案的。我们有一个文档中心 https://finclip.com/mop/document/ ，里面几乎存储了我们大部分的面向客户的文档。

所以在构建知识库的时候，我们有以下的数据源

1. 文档中心的文档 https://finclip.com/mop/document/
2. 在社区交付过程中，交付整理的问题 QA
3. 售前和销售在和客户阐述方案的时候，腾讯会议纪要

实现效果

实现效果侧还是还对比较简单，对于用户而言在我们的管理后台实现了一个聊天框，能够回答整个系统内的基本所有的问题，只要数据集有涉及到的

整体架构设计

整个基于 RAG 实现的AI 问答的链路，主要包含以下几个核心部分：

• 文档中心Gitlab仓库：基于 Gitlab 管理所有技术文档
  • CI Pipeline：在文档中心的文档负责文档更新的自动化处理流程
• LLM Service：大语言模型服务层，负责文档理解和问答生成，此处会针对源文档进行一次 QA 的拆分
• FastGPT：向量数据库和知识检索服务
• 用户交互层：提供统一的问答接口

这种设计带来几个明显优势：

1. 文档更新自动化，确保知识库实时性
2. 服务解耦，便于独立扩展和维护
3. 分层处理提升系统可靠性

文档处理流程

文档处理是整个系统的基础，我们的处理流程如下：

1. 文档变更触发：通过 Gitlab CI 监听文档更新
2. 自动化处理：CI Pipeline 自动执行以下步骤：
   • 检测文档增量更新
   • 提取文档内容
   • 进行 QA 拆分，生成问答对
   • 推送到知识库

这个流程确保了知识库能够及时反映最新的文档内容，无需人工干预。

知识库技术选型

在知识库方案选型时，我们主要对比了 FastGPT 和 RAGFlow：

FastGPT 的优势：

• 开箱即用的向量检索能力
• 良好的社区支持
• 简单的部署维护
• 内置的文本分块策略

Embedding 和 Rerank

我们的向量检索策略采用：

1. 使用 embedding 模型将文本转换为向量
2. 通过 ReRank 优化搜索结果相关性
3. 动态调整检索阈值，平衡召回率和精确度

最终的流程图如下

AI 问答实现

问答系统的核心流程：

1. 知识检索：

   • 用户提问向量化
   • 在知识库中检索相关内容
   • 通过 Rerank 筛选最相关片段

2. 答案生成：

   • 将检索内容作为上下文
   • 通过 LLM 生成自然、准确的回答
   • 添加引用来源，提升可信度

3. 质量保证：

   • 答案相关性评分
   • 兜底策略处理
   • 用户反馈收集