夜雨聆风
灵智问答助手2.0: 从＂搜文档＂到＂懂思考＂的实践优化
01
企业级应用的挑战
在RAG（检索增强生成）技术逐步普及的今天，企业级应用的需求已经从简单的”搜文档， 给答案”，转向更高的要求：系统能否理解复杂逻辑？能否在海量信息中提取关键内容？能否像专家一样思考与规划？
来看一个实际场景
灵犀实验室
“请对比分析一下A产品和B产品的保修政策，并说明它们在延长保修方面的差异。”
传统 RAG 系统处理这类问题时的典型流程：
-
拿着整句去向量库搜索 → 结果关键词稀疏，召回的都是A产品介绍或B产品广告
-
把50篇文档一股脑扔给 LLM → 上下文过长，模型”Lost in the Middle”
-
LLM 开始”幻觉式”回答 → 引用的文档里根本没有这些内容
为了应对这些问题，灵智问答助手2.0的优化版本中，在保留多路召回和知识图谱能力的基础上，引入了更灵活的问题处理机制和智能去噪能力。
02
数据处理：
从文档到可检索的知识
检索系统的效果，很大程度上取决于数据处理的质量。灵智对话助手2.0在数据源头构建了较为完整的处理流程。
#1
全模态智能解析
企业中的知识存在于各种格式中，让它们”可见”是第一步。
#2
深度结构化处理
#3
多维索引体系
单一索引难以应对所有查询场景。
灵智问答助手2.0构建了多路索引体系：
03
问题规划：
智能拆解与执行策略
这是灵智问答助手2.0另一个优化点——引入问题规划机制，让系统能够更好地理解用户的真实意图。
#1
复杂问题的智能拆解
企业中的知识存在于各种格式中，让它们”可见”是第一步。
#2
智能路由与执行策略
#3
按需分支策略
04
多路召回：
立体化的信息感知
灵智问答助手2.0保留了多路并行召回能力，能够从不同角度感知信息。
知识图谱检索
传统检索：只能找到”加缪”相关的文档，但不知道”加缪”和”阿尔及利亚”的关系
知识图谱：能理解实体间的关系，回答”A公司的子公司有哪些”、”B项目的负责人是谁”这类复杂问题
05
智能去噪：
提升信息质量
召回大量文档后，如何提取真正有价值的内容？灵智问答助手2.0引入了智能去噪机制。
结构化的理解能力
场景：用户问”查一下最近的人事任免”
传统系统：搜索关键词”人事任免” → 匹配到所有包含这4个字的文档
灵智问答助手2.0：提取结构化字段{主题:人事任免, 时间范围:最近} → 直接锁定公文主题，提升检索精准度
06
精准引用：
避免“幻觉引用”
RAG系统的一个常见问题是：系统展示了很多参考文献，但回答里的内容在这些文档中找不到。
07
技术栈概览
结语
灵智问答助手2.0是在原有1.0版基础上的迭代优化与增强，通过引入更灵活的问题规划能力和深度语义理解，我们构建了一个包含”感知→规划→行动→反思“的处理闭环。
这些改进让系统能够：更好地理解复杂问题、更精准地召回相关信息、更智能地过滤噪音内容、更可靠地呈现引用来源。
当然，RAG优化无止尽，本文介绍的内容只是这个持续优化过程中的一环，我们相信通过不断的迭代与改进，能够为用户的知识管理提供更好的支持。
光典灵犀实验室
始终坚持求真、务实、专注，我们相信，技术进步会推动整个行业的共同进步。
关于光典
光典，信息发展旗下企业，是一家以“数字中国”发展战略为指引，运用北斗、区块链、大数据、人工智能等技术，聚焦智慧档案、智慧政务等行业，面向政府和企业提供行业综合解决方案的服务运营商。
客服电话
400-720-0100
邮箱
aes@cesgroup.com.c
400-720-0100
智慧档案 智慧政务
往期·推荐
光典灵犀实验室：用简单微调与预算强制激活大语言模型的“推理能力”
光典“灵犀实验室”：灵智领航 犀启新篇
新片区首家！光典助力临港集团获评“上海市示范数字档案室”
