rag/docs/生产路径优化计划.md

## 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。

---

### 实施进度总览（更新于 2026-06）

| 阶段 | 内容 | 状态 | 说明 |
|------|------|------|------|
| Phase 0 | 基线建立 + 评估基础设施 | **部分实施** | `scripts/eval_e2e.py` 已创建，但 `data/eval_dataset.json` 和 `baseline.json` 尚未生成 |
| Phase 1 | Rerank 分数传递与上下文过滤 | **已实施** | `RERANK_CONTEXT_MIN_SCORE` 已配置，`_order_text_contexts_for_prompt` 已接受 `min_score` 参数 |
| Phase 2 | Token 预算控制 | **已实施** | `CONTEXT_MAX_CHARS=8000` / `CONTEXT_SOFT_LIMIT=6000` 已配置，`_build_context_with_budget()` 已实现 |
| Phase 3 | 上下文扩展精细化 | **已实施** | `EXPANSION_SCORE_THRESHOLD=0.3` / `MAX_EXPANDED_NEIGHBORS=4` 已配置，`_expanded_from_score` 元数据已记录 |
| Phase 4 | 置信度兜底 | **已实施** | `CONFIDENCE_WARN_THRESHOLD=0.15` / `CONFIDENCE_CAUTION_THRESHOLD=0.30` 已配置，`confidence_score` 已通过 SSE 输出 |
| Phase 5 | 上下文排序优化 | **部分实施** | `_build_context_with_budget()` 实现了通用排序逻辑，但列举类查询仍走独立的 `_is_enum_query` 分支 |
| Phase 6 | 引用标注改进 | **已实施** | 已迁移到 `core/agentic_citation.py`，支持动态阈值（短段落 0.55 / 长段落 0.45）和每段最多 2 引用 |

> **注**：下文各 Phase 中引用的具体函数名、行号为文档撰写时的快照，经多次迭代后已偏移。实际位置请以当前代码为准。

---

### Phase 0：基线建立 + 评估基础设施 `部分实施`

**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/eval_e2e.py` 已创建但尚未运行基线评估。`data/eval_dataset.json` 和 `data/eval_results/baseline.json` 尚未生成。

**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 `已实施`

**目标**：让 Rerank 分数在上下文构建中发挥作用，过滤低分切片。

**改动范围**：`api/chat_routes.py` + `config.py`。

**实施说明**：
- `config.py` 已新增 `RERANK_CONTEXT_MIN_SCORE = 0.05`
- `_order_text_contexts_for_prompt()` 已接受 `min_score` 参数（当前位于 `api/chat_routes.py` 第 188 行）
- 调用处已传入 `min_score=RERANK_CONTEXT_MIN_SCORE`（当前位于第 1750-1751 行）
- SSE `context_built` 事件已包含 `min_score_filter`、`score_stats`、`confidence_top3` 等调试字段

**原始设计**：

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 `已实施`

**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`。

**实施说明**：
- `config.py` 已新增 `CONTEXT_MAX_CHARS = 8000`、`CONTEXT_SOFT_LIMIT = 6000`、`DIRECT_CONTEXT_MAX_CHARS = 2000`
- `api/chat_routes.py` 已新增 `_build_context_with_budget()` 函数（当前第 312 行），按 Rerank 分数降序逐个加入直到预算满
- 列举类 / 对比类查询走独立分支，保持原始顺序直接拼接（当前第 1754-1758 行）

**原始设计**：

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 `已实施`

**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`（当前第 1089 行）及其调用处。

**实施说明**：
- `config.py` / `engine.py` 已新增 `EXPANSION_SCORE_THRESHOLD = 0.3`、`MAX_EXPANDED_NEIGHBORS = 4`
- 扩展时传入 `min_score=EXPANSION_SCORE_THRESHOLD` 过滤低分切片
- 邻居切片 metadata 已记录 `_expanded_from_score`（种子分数）
- `MAX_EXPANDED_NEIGHBORS` 限制每个种子的邻居数量
- 上下文扩展同时在 `chat_routes.py`（第 281 行）和 `engine.py` 中实现，参数由 `CONTEXT_EXPANSION_ENABLED/BEFORE/AFTER/MAX_CHUNKS` 控制

**原始设计**（行号为撰写时快照，已偏移）：

1. ~~MMR 前的扩展（第 573 行）保持不变~~ —— 已重构，实际位置见 `core/engine.py`

2. ~~Rerank 后的扩展（第 615 行）增加条件~~ —— 已实施，`EXPANSION_SCORE_THRESHOLD` 控制
   ```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 `已实施`

**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`（prompt 层面 + SSE 输出）。

**实施说明**：
- `config.py` 已新增 `CONFIDENCE_WARN_THRESHOLD = 0.15`、`CONFIDENCE_CAUTION_THRESHOLD = 0.30`
- `generate()` 内已计算 `_confidence_score`（top-3 平均 Rerank 分数，当前第 1760-1762 行）
- 根据分数在 prompt 中注入不同的置信度提示（当前第 1821-1827 行）
- SSE `finish` 事件已附带 `confidence_score` 字段（当前第 1926 行）

**原始设计**：

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 `部分实施`

**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`（当前第 188 行）。

**当前状态**：
- `_build_context_with_budget()`（第 312 行）已实现了通用的分数排序 + 预算控制逻辑
- 但列举类查询（`_is_enum_query`）和对比类查询仍走独立分支（第 1754 行），直接拼接不做预算截断
- 尚未将"同章节聚合排序"推广为所有查询类型的默认行为

**原始设计**：

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 `已实施`

**目标**：提升引用匹配精度，支持多引用。

**改动范围**：已迁移至 `core/agentic_citation.py`（独立模块），原 `api/chat_routes.py` 中也保留了 `_attach_citations`（第 393 行）作为备用。

**实施说明**：
- 动态阈值已实现：短段落（< 50 字）使用 overlap 阈值 0.55，长段落 0.45
- 每段最多匹配 2 个 chunk
- 引用标记格式 `[ref:chunk_id]`，前端 `extractCitations` 已支持多个引用
- `agentic_citation.py` 中 `_attach_citations` 方法（第 220 行）为 agentic 模式提供独立的引用标注

**原始设计**：

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)         [部分实施]
  ↓
Phase 1 (Rerank分数传递)    [已实施] ← 风险最低，收益最直接
  ↓
Phase 2 (Token预算)         [已实施] ← 依赖 Phase 1 的分数传递
  ↓
Phase 3 (扩展精细化)        [已实施] ← 依赖 Phase 1 的分数信息
  ↓
Phase 4 (置信度兜底)        [已实施] ← 依赖 Phase 1 的分数信息
  ↓
Phase 5 (上下文排序)        [部分实施] ← 独立，可与 Phase 4 互换顺序
  ↓
Phase 6 (引用标注)          [已实施] ← 独立，已迁移至独立模块
```

### 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 |