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。

---

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：

   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：

   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：

   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：

   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：

   # 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：

   # 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：

   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：

   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：

   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：

   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：

   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：

# 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