课程资料 RAG 问答助手
帮学生用自然语言检索分散课件，并得到带来源定位的可追溯回答。
01 / PROBLEM
一句话
学生知道答案在课件里，却很难在几十份 PDF 中快速找到对应页码和上下文。
02 / CONTEXT
背景与目标
通用聊天模型不了解课程资料，直接生成答案又难以核验。项目目标是建立一个只基于指定资料回答、同时展示引用来源的检索系统。
- 回答必须附对应资料、页码和原始片段。
- 对资料外问题应明确拒答，而不是编造内容。
- 从提问到首字输出的 P95 小于 2.5 秒。
03 / ROLE
我的角色
核心开发 / RAG 工程
- 设计文档清洗、切分、向量化和检索评估链路。
- 实现混合检索、重排序、引用生成和拒答策略。
- 构建评估集与前端引用定位体验。
04 / STACK
技术栈
05 / SYSTEM
架构图 / 数据流
文档处理任务生成带页码的片段和向量，查询时先并行执行关键词与向量召回，再重排、拼接上下文，并通过流式接口返回带引用答案。
06 / FEATURES
核心功能
带页码引用
每个关键结论都能定位到原始文档和片段。
混合检索
结合全文检索与向量召回，改善缩写和专业术语命中。
低置信拒答
检索结果不足或引用无法验证时明确提示资料不足。
07 / TRADE-OFFS
难点与解决方案
固定长度切分破坏语义完整性
先按标题和段落构建层级，再在语义边界内切分，并为片段保留页码、章节和父子关系。
纯向量检索漏掉课程中的精确术语
采用全文与向量混合召回，引入轻量重排序，并持续用固定评估集回归。
08 / OUTCOME
结果
在 120 条标注问题中有效回答率达到 86%，引用命中率 93%，资料外问题误答率降至 12%，首字响应 P95 为 2.1 秒。
86%有效回答率120 条课程问题评估集
93%引用命中率
2.1s首字响应 P95
12%资料外问题误答率
09 / SCREENS
截图或 GIF
10 / LINKS
Demo / 代码仓库
11 / RETROSPECTIVE
复盘
如果重做，我会先把评估集和失败分类做扎实，再优化模型；同时应把文档解析质量作为一级监控指标，因为检索链路的上限往往由输入质量决定。