## 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 |