ARTICLE · 981816
“255文档、1592片段,公文助手的高效知识库革新搜索体验”
从零搭建一个完全本地化的政务公文知识库：架构选型、运行实测、优化策略与纠错实操，全部基于真实部署数据。
" alt="封面">在基层公文写作中，通用大模型有两个绕不开的短板：一是政策时效与本地资料缺失，模型答不出本县（区）流动人口、信访、综治中心的具体规定；二是幻觉风险，凭空编造条款、文号、数据，在正式公文中不可接受。
解决思路是RAG（检索增强生成）：把单位的政策原文、历史公文、工作制度建成向量库，模型作答时先"查资料"再"写文稿"，并标注引用来源，做到有据可查、可溯源。更重要的是，整套链路（嵌入、向量库、检索）全部跑在本机，数据不出电脑，满足政务场景的数据安全要求。
知识库采用chromadb持久化向量库 + 本地中文嵌入模型BAAI/bge-small-zh-v1.5，整体链路如下：
截至 2026-08-27，知识库在持续使用中的真实规模如下：
文档按业务主题分为 17 类，其中信访工作、流动人口管理、综治中心建设、网格化与联户工作等主题文档最集中。
以.doc / .docx政务文档为主，已扩展到.xlsx / .csv / .wps / .et等表格与 WPS 专有格式。
原始参考文档占绝对主体（只读保护），模型生成的正式公文作为"生成文档"持续回流，占比稳步提升。
8 月 26 日集中完成批量导入，单日新增 232 篇，知识库进入可用状态。
选用本地bge-small-zh-v1.5而非在线 embedding API，既保障数据安全，又避免网络抖动影响检索稳定性，单次检索延迟稳定在毫秒级。
公文段落较长、条款密集，采用500 字 / 重叠 50 字的切分，既保证单个片段语义完整，又通过重叠避免条款在边界被截断。
批量导入脚本会先读取索引，已存在的文件自动跳过，避免重复入库污染检索结果（如已导入的流动人口政策不会被二次写入）。
原始文档标记为original，默认禁止删除；模型生成的公文标记为generated，并记录related_ids关联其依据的原始文档，形成可溯源闭环。
在最初仅支持 txt/doc/docx/pdf 的基础上，逐步扩展至 xlsx/csv/wps/et，覆盖 WPS 政务套件（通过 KWPS / KET 组件对象模型读取），切实解决基层"文件打不开"的痛点。
当确实需要移除错误文档时，提供专用脚本，采用白名单 + 双重校验（先核对 doc_id，再核对文件名完全一致），在"防误删"与"可纠错"之间取得平衡。
把整理好的政策原文放入knowledge_base/raw_docs，运行import_policy_docs.py即可自动去重入库，归入"政策法规"分类：
实测一次导入 6 份新疆流动人口 / 政法工作政策，全部成功索引，累计知识库达 255 文档 / 1592 片段。
早期曾因指令歧义，误将 3 份"稳就业"文件（DOC000253–255）当作"政法工作"导入。纠正采用专用删除脚本，白名单 + 双重校验确保只删目标文件：
以下为直接对知识库发起的三个政策查询，检索耗时与命中结果均来自实测：
适用场景：有数据安全要求、需引用本地政策与历史公文、且希望离线可用的基层单位。
核心经验：
嵌入模型务必本地化，确保数据不出本机； 切分粒度按文档特点调（公文 500 字 / 重叠 50 字较稳）； 入库前做文件名去重，避免重复污染检索； 原始文档只读保护 + 生成文档关联，兼顾安全与溯源； 纠错要留"精准删除"通道，白名单 + 双重校验防误伤。
待优化方向：嵌入结果缓存以加速冷启动；引入检索重排（Rerank）提升 TOP_K 命中精度；支持增量更新避免整库重建；接入 OCR 处理图文混排材料。
本文所有数据、参数与检索结果均来自真实部署环境实测。