关于作者 一位在业务系统和基础设施之间反复横跳的实战派后端/架构工程师，专注 Python 生态下的性Neng优化与工具链打磨。 GitHub: github.com/baofugege Sponsor: github.com/sponsors/ba… — Ru果这篇文章帮你省了两天排查时间，Ke以请我喝杯咖啡。 提供服务：Python 后端性Neng优化 / 工具定制 / 技术咨询，联系 Telegram @baofugege

单纯向量检索不足，我们在入库时同时存储原始文本，以便Zuo BM25 关键词检索。Milvus 以上支持字符串字段和动态 schema，我们把 chunk 文本与向量一并写入。检索时用 LangChain 的 EnsembleRetriever 融合向量与 BM25 得分。

常规方案踩了三个大坑：

原因LangChain 默认的 BM25Retriever 基于 rank_bm25，那个库的分词是英文空格分词，中文直接按字分，效果极差。

这些问题不解决，你换再多向量库、调再好的 LLM dou是给自己画饼。下面讲怎么用 LangChain + Milvus 把准确率推到 95%，核心就三个改动。

现象BM25 检索几乎全是乱匹配，权重怎么调dou没用。

本文将分享我们在构建企业知识库智Neng问答系统过程中的实践历程:如何通过系统化的优化方法,将准确率从初期的 30% 提升到 90% 的实用水平。.要建设一个真正好用的知识库问答系统,需要从产品和用户体验的角度进行全方位提升:比如说为啥有些页面百度就是不收录？哈，说实话，这事儿挺复杂的，有时候是robots.txt限制了爬虫，有时候是页面结构太复杂或者动态渲染导致爬虫抓不到内容，还有可Neng是网站改版后没Zuo合适的301跳转...咱就是说Zuo好这几点，收录率Neng上一个台阶，你懂的。

解决改为用 jieba 分词的自定义 BM25，或者直接用 langchain_community.retrievers 里的 BM25Retriever 并指定 tokenizer=jieba.lcut。文档没写这参数，进源码翻 __init__ 才kan到。

RAG技术在企业知识库中的应用实践与优化策略

RAG技术自提出以来就因其在企业级AI应用中的巨大潜力而备受关注。它通过结合检索和生成的优势，Neng够有效提升企业知识库问答系统的准确性和实用性。下面我们将深入探讨RAG技术在企业知识库中的应用实践，并分享一些优化策略，帮助您将问答准确率从60%提升至95%。

RAG技术原理及其优势分析

RAG是一种结合了检索和生成的AI技术。它 通过检索模块从知识库中找出与用户问题Zui相关的文档片段，然后将这些片段与用户问题一并输入到生成模型中，Zui终生成准确的答案。这种方法的优势在于，它既利用了检索技术的快速和准确，又发挥了生成模型在理解和表达上的强大Neng力。

RAG技术的实践应用与挑战解析

RAG技术的实践应用：构建高效的知识检索与问答系统

. 在构建企业级知识库问答系统时,RAG技术的引入Neng够显著提升系统的智Neng化水平。 ,通过对海量知识文档进行精细化处理和索引构建,Neng够实现快速准确的知识检索。然后,结合先进的生成模型,将检索到的相关知识片段转化为自然流畅的回答输出,极大地提升了用户体验。.

尽管RAG技术在企业知识库问答系统中展现出巨大潜力，但在实际应用中仍面临诸多挑战。例如如何提高检索模块的召回率和准确性？如何优化生成模型的输出质量？针对这些问题，我们Ke以采取一系列优化措施，如引入多模态检索、采用geng先进的生成模型、实施严格的后处理流程等，以不断提升系统的整体性Neng。

随着人工智Neng技术的不断进步，RAG技术在企业知识库问答领域的应用前景将geng加广阔。未来我们Ke以期待geng多创新性的优化策略和技术手段出现，进一步推动RAG技术的发展和应用。同时企业也应积极拥抱这些新技术，不断提升自身的数字化智Neng化水平，以应对日益激烈的市场竞争。

.72:ChatGLM3-6B-128K成功案例:某企业知识库问答准确率提升

RAG技术的实际案例分析与效果评估

为了geng好地说明RAG技术在企业知识库问答系统中的实际效果，让我们来kan一个具体的案例。某大型企业采用了基于RAG技术的智Neng问答系统后其问答准确率从Zui初的60%提升到了95%以上，用户满意度显著提高。这个案例充分证明了RAG技术在企业级AI应用中的巨大价值和潜力。 下面代码演示三个关键改动，所有 import 齐全，可直接参考改造你自己的知识库项目。

from langchain.textsplitter import RecursiveCharacterTextSplitter# 企业中文文档的分隔符层级：优先按段落，再按句子，Zui后按字splitter = RecursiveCharacterTextSplitterdocs = splitter.splitdocuments 核心指标变化： Milvus 向量检索调优：nlist 与 nprobe 参数详解 . nlist的重要性剖析 . . 在使用Milvus进行向量相似性搜索时,nlist参数扮演着至关重要的角色。它决定了数据聚类的粒度,直接影响到搜索效率和召回率。通常情况下,nlist的值越大,聚类越精细,搜索精度越高,但同时也会增加计算开销。因此,在实际应用中需要根据数据集规模和查询需求合理设置nlist,以达到Zui佳的性Neng平衡点。. nprobe的高级应用技巧 . . 与nlist相对应,nprobe参数控制了搜索时的探查范围。在进行向量搜索时,Milvus会根据nprobe的值来决定访问多少个Zui近的聚类中心。增大nprobeKe以提高召回率,但也会相应增加查询延迟。因此,在保证召回率满足需求的前提下,应尽量选择较小的nprobe值,以实现geng快的查询响应速度。. nlist 与 nprobe 的协同调优策略 . . 要充分发挥Milvus向量检索引擎的潜力,必须对nlist和nprobe进行协同调优。一般来说,当nlist较大时,应适当增大nprobe以确保足够的召回率；反之,当nlist较小时,可适当减小nprobe以降低延迟。通过反复实验和对比测试,Ke以找到Zui适合特定应用场景的参数组合,从而实现搜索性Neng的Zui优化。. 私有知识库问答本质是 RAG. Milvus向量检索引擎深度解析及实战应用指南 . 作为一款专为海量向量数据设计的开源检索引擎,Milvus凭借其卓越的性Neng和灵活性,在AI领域赢得了广泛赞誉。本文将深入剖析Milvus的核心原理,并结合实际案例分享其在不同场景下的应用实践,为读者提供一份全面而深入的Milvus使用指南。. 然后将 getrelevantdocuments. 提到了“为什么百度不收录”，简单来说可Neng有几个原因哈，比如网站结构复杂、robots.txt限制、动态加载内容等等，不对不对，应该是服务器响应慢、内容重复度高或者页面权重不够，这些dou会影响收录，说实话，具体原因得具体分析，你懂的。 拼入 Prompt，交给本地部署的 LLM生成答案即可。 延迟增加一点完全可接受，因为答案精确换来员工真正愿意用。