init: RAG 知识库服务初始提交

- 后端 API（Flask + Gunicorn） - RAG 引擎（混合检索 + 云端 Reranker + 引用溯源） - 文档解析（MinerU + 多格式支持） - Docker 生产部署配置 - 排除前端项目、敏感配置、模型文件
2026-06-04 17:35:27 +08:00
commit 100d1a06eb
158 changed files with 64534 additions and 0 deletions
--- a/docs/生产路径优化计划.md
+++ b/docs/生产路径优化计划.md
@@ -0,0 +1,316 @@
+## 生产 RAG 路径优化计划
+
+> 原则：小步快跑，每阶段独立可测，打完 commit 验证质量后再推进下一阶段。
+> 如果某阶段导致回答质量下降，直接 `git revert` 回退到上一个 commit。
+
+---
+
+### Phase 0：基线建立 + 评估基础设施
+
+**目标**：在改动任何代码之前，先有量化基线和自动化评估手段。
+
+**现状**：`scripts/evaluate_rag.py` 只评估检索层（Recall/MRR/nDCG），不评估端到端回答质量。`data/eval_dataset.json` 不存在。
+
+**工作内容**：
+
+1. 创建 `data/eval_dataset.json`：从现有知识库中挑选 15-20 个测试问题，覆盖以下类型：
+   - 事实查询（"XX标准是多少"）
+   - 列举查询（"有哪些禁止情形"）
+   - 对比查询（"A和B的区别"）
+   - 流程查询（"如何申请XX"）
+   - 跨文档查询（答案涉及多个文件）
+
+   每个问题记录：`query`、`query_type`、`expected_keywords`（答案应包含的关键信息点）、`relevant_sources`（应命中的文件名）
+
+2. 创建 `scripts/eval_e2e.py`：端到端评估脚本
+   - 启动本地服务（或连接已运行的服务）
+   - 对每个测试问题调用 `POST /rag`
+   - 收集回答，用 LLM 评分（相关性 1-5、完整性 1-5、准确性 1-5）
+   - 同时记录检索层指标（Rerank 分数分布、上下文切片数、上下文总字数）
+   - 输出 JSON 报告 + 终端汇总
+
+3. 运行一次基线评估，保存为 `data/eval_results/baseline.json`
+
+4. 打 Git tag：`git tag v1.0-rag-baseline`
+
+**产出文件**：
+- `data/eval_dataset.json`
+- `scripts/eval_e2e.py`
+- `data/eval_results/baseline.json`
+
+**验收标准**：评估脚本能正常运行，基线报告包含每个问题的评分。
+
+---
+
+### Phase 1：Rerank 分数传递与上下文过滤
+
+**目标**：让 Rerank 分数在 chat_routes 的上下文构建中发挥作用，过滤低分切片。
+
+**改动范围**：仅 `api/chat_routes.py`，不涉及 engine.py。
+
+**具体改动**：
+
+1. 在 `contexts.append` 时已有 score 字段，确认它包含 Rerank 分数（当前 `scores` 来自 `search_result.get('scores')`，是 RRF 融合分数还是 Rerank 分数需要确认）
+
+2. 在 `_order_text_contexts_for_prompt` 函数中增加分数过滤参数：
+   ```python
+   def _order_text_contexts_for_prompt(contexts, query, max_chunks,
+                                        min_score=0.0):
+       # 过滤低于分数阈值的切片
+       if min_score > 0:
+           text_contexts = [c for c in text_contexts
+                           if c.get('score', 0) >= min_score]
+   ```
+
+3. 在 `generate()` 中调用时传入阈值：
+   ```python
+   text_contexts = _order_text_contexts_for_prompt(
+       contexts, message, MAX_CONTEXT_CHUNKS,
+       min_score=RERANK_CONTEXT_MIN_SCORE  # 新增配置项，初始值 0.05
+   )
+   ```
+
+4. 在 `config.py` 中新增配置：
+   ```python
+   RERANK_CONTEXT_MIN_SCORE = 0.05  # 上下文最低 Rerank 分数阈值
+   ```
+
+5. 在 SSE `context_built` 事件中增加分数信息（DEV 模式），方便调试。
+
+**风险**：低。`min_score` 初始设 0.05（几乎不过滤），逐步调高观察效果。
+
+**验证方法**：
+- 运行 `eval_e2e.py`，对比基线
+- 重点关注：是否有问题因为过滤了切片而回答变差
+- 观察 `context_built` 事件中 `chunk_count` 的变化
+
+**Git commit**：`feat(rag): pass rerank scores through to context building with min-score filter`
+
+---
+
+### Phase 2：Token 预算控制
+
+**目标**：用字数/token 预算替代纯计数截断，避免上下文过长稀释 LLM 注意力。
+
+**改动范围**：`api/chat_routes.py` + `config.py`。
+
+**具体改动**：
+
+1. 在 `config.py` 新增：
+   ```python
+   CONTEXT_MAX_CHARS = 8000      # 上下文最大字符数（约 4000 token）
+   CONTEXT_SOFT_LIMIT = 6000     # 软限制，超过后只保留高分切片
+   ```
+
+2. 在 `_order_text_contexts_for_prompt` 返回后，构建 `context_text` 时：
+   ```python
+   # 按 Rerank 分数降序逐个加入，直到达到 token 预算
+   sorted_contexts = sorted(text_contexts,
+                            key=lambda c: c.get('score', 0),
+                            reverse=True)
+   context_parts = []
+   total_chars = 0
+   for ctx in sorted_contexts:
+       doc = ctx.get('doc', '')
+       if total_chars + len(doc) > CONTEXT_MAX_CHARS:
+           break
+       context_parts.append(doc)
+       total_chars += len(doc)
+   context_text = "\n\n".join(context_parts)
+   ```
+
+3. 注意：排序后需要保持同一文档切片的连续性。改为先按 (source, section, chunk_index) 分组，再按组内最高分降序排列各组，逐组加入直到预算满。
+
+**风险**：中。如果预算设太小，可能丢掉关键信息。初始 `CONTEXT_MAX_CHARS=8000` 比较保守（当前 20 个切片平均约 10000-15000 字）。
+
+**验证方法**：
+- 对比基线的评分变化
+- 关注列举类查询（"有哪些禁止情形"）是否因为预算截断而漏条
+- 观察 `context_built.context_length` 分布
+
+**Git commit**：`feat(rag): add character-based token budget for context building`
+
+---
+
+### Phase 3：上下文扩展精细化
+
+**目标**：Rerank 后的上下文扩展只对高置信度切片执行，避免低分切片引入噪声邻居。
+
+**改动范围**：`core/engine.py` 的 `_expand_contiguous_chunks` 及其调用处。
+
+**具体改动**：
+
+1. MMR 前的扩展（第 573 行）保持不变——它的目的是防止邻居被 MMR 误删
+
+2. Rerank 后的扩展（第 615 行）增加条件：
+   ```python
+   # 只对 Rerank 分数 > EXPANSION_SCORE_THRESHOLD 的切片扩展邻居
+   EXPANSION_SCORE_THRESHOLD = 0.3
+   ```
+
+3. 给扩展进来的邻居切片在 metadata 中记录扩展来源：
+   ```python
+   n_meta['_expanded_from_score'] = seed_score  # 种子切片的 Rerank 分数
+   ```
+
+4. 在 `_order_text_contexts_for_prompt` 中限制扩展邻居的数量：
+   ```python
+   MAX_EXPANDED_NEIGHBORS = 4  # 最多 4 个扩展邻居进入上下文
+   ```
+
+**风险**：中。如果阈值设太高，一些中等分数的切片不会扩展邻居，可能丢失上下文。初始 0.3 比较宽松。
+
+**验证方法**：
+- 对比 `retrieval_debug` 事件中第二次 `context_expansion` 的 before/after 数量
+- 检查是否有回答因为缺少邻居切片而变得不连贯
+- 评估分数不应低于 Phase 2 的结果
+
+**Git commit**：`feat(rag): restrict post-rerank context expansion to high-confidence chunks`
+
+---
+
+### Phase 4：置信度兜底
+
+**目标**：当检索质量整体偏低时，在 prompt 中告知 LLM 谨慎回答，减少幻觉。
+
+**改动范围**：`api/chat_routes.py`（仅 prompt 层面，不改检索逻辑）。
+
+**具体改动**：
+
+1. 在上下文构建完成后（`context_text` 已生成），检查 top-3 切片的平均 Rerank 分数：
+   ```python
+   top_scores = [ctx.get('score', 0) for ctx in text_contexts[:3]]
+   avg_top3_score = sum(top_scores) / len(top_scores) if top_scores else 0
+   ```
+
+2. 根据平均分数在 prompt 中注入不同指令：
+   ```python
+   if avg_top3_score < CONFIDENCE_WARN_THRESHOLD:  # 比如 0.15
+       confidence_note = (
+           "【重要提示】参考资料与问题的相关性较低。"
+           "请仅基于参考资料中明确包含的信息回答，"
+           "如果资料不足以回答问题，请直接说明'知识库中未找到直接相关的信息'。"
+       )
+   elif avg_top3_score < CONFIDENCE_CAUTION_THRESHOLD:  # 比如 0.3
+       confidence_note = (
+           "参考资料的相关性一般，请优先引用资料中的原文，避免推测。"
+       )
+   else:
+       confidence_note = ""
+   ```
+
+3. 在 `config.py` 新增：
+   ```python
+   CONFIDENCE_WARN_THRESHOLD = 0.15
+   CONFIDENCE_CAUTION_THRESHOLD = 0.30
+   ```
+
+4. 在 SSE `finish` 事件中附带 `confidence_score` 字段，前端可用于提示用户。
+
+**风险**：低。纯 prompt 层面的改动，不影响检索链路。最坏情况是 LLM 过于保守拒绝回答——可以通过调低阈值解决。
+
+**验证方法**：
+- 构造几个"知识库中确实没有答案"的问题，检查 LLM 是否正确拒绝
+- 正常问题的评分不应下降
+- 观察 `finish` 事件中的 `confidence_score` 分布
+
+**Git commit**：`feat(rag): add confidence-based prompt guidance for low-quality retrieval`
+
+---
+
+### Phase 5：上下文排序优化
+
+**目标**：对所有查询类型（不仅是列举类）都做同章节聚合排序，保证同一文件同一章节的切片连续排列。
+
+**改动范围**：`api/chat_routes.py` 的 `_order_text_contexts_for_prompt`。
+
+**具体改动**：
+
+1. 将当前只对 `_is_enum_query` 执行的排序逻辑推广为所有查询类型的默认行为
+
+2. 排序策略：
+   - 第一优先级：按 Rerank 分数降序（高分切片先进入上下文）
+   - 第二优先级：同一 source + section 的切片按 chunk_index 连续排列
+   - 具体做法：先按 (source, section) 分组，组内按 chunk_index 排序，组间按组内最高分降序
+
+3. 列举类查询保持当前行为不变（作为特例）
+
+**风险**：低。排序变化不影响切片内容，只影响 LLM 看到的顺序。
+
+**验证方法**：
+- 对比 `context_built.chunks_used` 的排列顺序
+- 评估分数不应低于 Phase 4
+
+**Git commit**：`feat(rag): apply section-aware context ordering for all query types`
+
+---
+
+### Phase 6：引用标注改进
+
+**目标**：提升 `_attach_citations` 的匹配精度，支持多引用。
+
+**改动范围**：`api/chat_routes.py` 的 `_attach_citations` 函数。
+
+**具体改动**：
+
+1. 动态阈值：短段落（< 50 字）使用更高的 overlap 阈值（0.55），长段落保持 0.45
+
+2. 允许一个段落匹配最多 2 个 chunk（如果两个 chunk 的 overlap 分数都超过阈值且差距小于 0.1）
+
+3. 引用标记改为 `[ref:chunk_id_1][ref:chunk_id_2]`，前端 `extractCitations` 已支持多个 `[ref:xxx]`
+
+**风险**：中。多引用可能导致引用列表变长、前端展示变化。
+
+**验证方法**：
+- 检查引用数量是否合理增加（不应翻倍）
+- 引用溯源弹窗的跳转是否仍然正确
+- 评估分数不应下降
+
+**Git commit**：`feat(rag): improve citation matching with dynamic thresholds and multi-citation support`
+
+---
+
+### 阶段依赖关系
+
+```
+Phase 0 (基线+评估)
+  ↓
+Phase 1 (Rerank分数传递) ← 风险最低，收益最直接
+  ↓
+Phase 2 (Token预算) ← 依赖 Phase 1 的分数传递
+  ↓
+Phase 3 (扩展精细化) ← 依赖 Phase 1 的分数信息
+  ↓
+Phase 4 (置信度兜底) ← 依赖 Phase 1 的分数信息
+  ↓
+Phase 5 (上下文排序) ← 独立，可与 Phase 4 互换顺序
+  ↓
+Phase 6 (引用标注) ← 独立，放在最后因为改动面较大
+```
+
+### 回退策略
+
+每个 Phase 完成后执行：
+```bash
+# 运行评估
+python scripts/eval_e2e.py --output data/eval_results/phase_N.json
+
+# 对比上一阶段
+# 如果评分下降 > 5%，回退：
+git revert HEAD
+
+# 如果评分持平或提升，打 tag：
+git tag v1.0-phase-N
+```
+
+### 预估时间
+
+| 阶段 | 代码改动量 | 预估时间 |
+|------|----------|---------|
+| Phase 0 | 新建 2 个文件 | 2-3 小时 |
+| Phase 1 | 改 2 个文件，约 30 行 | 1 小时 |
+| Phase 2 | 改 2 个文件，约 40 行 | 1-2 小时 |
+| Phase 3 | 改 1 个文件，约 20 行 | 1 小时 |
+| Phase 4 | 改 2 个文件，约 25 行 | 30 分钟 |
+| Phase 5 | 改 1 个文件，约 30 行 | 1 小时 |
+| Phase 6 | 改 1 个文件，约 40 行 | 1-2 小时 |