企业官网建设流程全解析

工程企业做内部知识库，最典型的场景是法规、标准、定额、制度的检索问答。这类文档结构特殊、对“出处”要求极高，通用 RAG 直接套用往往效果不好。本文整理几个在工程条款类知识库上比较有效的召回优化实践。

TL;DR

• 按条切片，保留结构路径与元数据，不拆散条款；
• 混合检索，关键词权重不低于 0.5，精确命中编号；
• 重排 + 上下文回填 + 版本过滤，提升召回质量；
• 回答必带出处，无依据时明确拒答，不硬编造；
• 评估分开看：检索质量与答案质量各自独立衡量。

一、先解决切片：工程文档不能按固定长度切

工程文档（规范、标准、法规）有明显的层级结构：章、节、条、款，而且强条、术语、表格往往不能被拆开。

实践要点：

• 按"条"为最小切片单位，保留条号与原文，不把一个完整条款切成两半；
• 每个切片附带完整的结构路径，如"某施工质量验收规范 > 第 6 章 > 6.2 > 6.2.3"；
• 表格、公式作为独立切片，保留表头，避免只检索到孤立单元格；
• 切片同时保留"原文"与"元数据"（规范编号、版本号、发布/实施日期、是否强条）。

固定长度切分会把条款和它的上下文割裂，导致召回时语义不完整。一个典型的切片结构：

{"doc_id":"gb-xxxx-2014","path":"第6章 > 6.2 > 6.2.3","clause_no":"6.2.3","text":"条款原文……","is_mandatory":false,"version":"2014","effective_date":"2015-01-01"}

二、检索：向量与关键词混合，工程条款更吃关键词

纯向量检索在工程场景有两个问题：一是条款里大量专业术语、强条编号、数字（如 “30 万方” “C30”），向量容易模糊；二是用户常直接按编号或精确表述查询。

因此采用混合检索：

• 一路用 Embedding 做语义召回，覆盖“意思相近但表述不同”的问法；
• 一路用关键词（BM25/倒排）匹配条款号、术语、规范编号、数字；
• 两路结果按归一化分数加权融合，再进入重排。

经验上，工程条款检索里关键词通道的权重不应设得过低，很多“按编号查”“查强条”的问题，命中高度依赖精确匹配。

下面给出一个混合检索的 Python 示例，演示向量检索与 BM25 关键词检索如何并行召回、再按归一化分数加权融合：

importnumpyasnpfromrank_bm25importBM25Okapidefnormalize(scores:list[float])->list[float]:"""Min-Max 归一化，把分数压到 [0, 1]，便于两路加权融合。"""arr=np.array(scores,dtype=float)ifarr.max()==arr.min():returnnp.zeros_like(arr).tolist()return((arr-arr.min())/(arr.max()-arr.min())).tolist()defhybrid_search(query:str,chunks:list[str],embed_fn,top_k:int=5,w_vec:float=0.4,w_bm25:float=0.6)->list[tuple[int,float]]:""" 混合检索：向量召回 + BM25 关键词召回，按权重加权融合。 :param query: 用户问题，如 "C30 混凝土强度等级要求" :param chunks: 切片列表（每个元素是条款原文） :param embed_fn: 返回 query 与各切片向量的函数，输出 shape 为 (n_chunks,) :param top_k: 最终返回的候选条数 :param w_vec: 向量通道权重 :param w_bm25: 关键词通道权重（工程条款建议不低于 0.5） """# 1) 向量通道：语义召回vec_scores=embed_fn(query,chunks)# 余弦相似度等，越大越相关vec_norm=normalize(vec_scores)# 2) 关键词通道：BM25 精确匹配条款号、术语、规范编号tokenized=[c.split()forcinchunks]bm25=BM25Okapi(tokenized)bm25_scores=bm25.get_scores(query.split())bm25_norm=normalize(bm25_scores)# 3) 加权融合，取 Top-Kfused=[w_vec*v+w_bm25*kforv,kinzip(vec_norm,bm25_norm)]ranked=sorted(enumerate(fused),key=lambdax:x[1],reverse=True)[:top_k]returnranked# 运行结果说明：# 对 "按 6.2.3 条查混凝土强度" 这类问题，BM25 通道能精确命中条款号，# 融合后该切片分数显著高于仅靠语义相似度的结果；# 对 "强度不够怎么办" 这类口语化问法，向量通道负责兜住语义相近的条款。# 实际工程中建议 w_bm25 取 0.5~0.7，避免精确编号被语义噪声稀释。

运行结果说明：对“按 6.2.3 条查混凝土强度”这类问题，BM25 通道能精确命中条款号，融合后该切片分数显著高于仅靠语义相似度的结果；对“强度不够怎么办”这类口语化问法，向量通道负责兜住语义相近的条款。实际工程中建议w_bm25取 0.5~0.7，避免精确编号被语义噪声稀释。

下面是混合检索的整体流程：

三、召回优化：重排、过滤与上下文回填

初筛拿到候选切片后，需要进一步处理：

1. 重排（rerank）：用交叉编码器对问题和候选切片做相关性重排，比单纯向量相似度更准，能把"看起来相似但实际不是一回事"的条款压下去；
2. 上下文回填：检索到某个条款时，把它的上一条、下一条以及所属小节的定义一并补入，避免条款里的代词、引用（“应符合本规范第 X 条”）悬空；
3. 版本与时效过滤：按"现行有效"过滤，过期或作废的版本默认不参与召回，或明确标注"已废止"；
4. 强条与普通条款区分：涉及强制性条文的问题，优先返回强条并显著标注。

整体召回优化链路如下：

四、出处标注与无依据兜底

工程领域最忌讳“AI 凭空说”，因此生成环节有两条硬约束：

• 回答必带出处：每一条结论都要能回溯到具体规范编号、条款号和版本，最好在回答中直接给出；
• 无依据不硬答：检索分数低于阈值、或没有可靠来源时，不编造结论，而是明确提示“未检索到可靠依据，请人工核实”。

可以在提示词中约束模型只依据给定上下文作答，并用引用标记（如脚注编号）把结论与切片绑定，便于追溯。

五、评估：召回与答案要分开看

工程知识库的效果不能只看“答得顺不顺”，建议分开评估：

评估集要覆盖不同问法：按编号查、按术语查、按场景描述查，以及查不到的问题，最后一类专门用来检验兜底是否生效。

工程企业的知识库建设不是一次性工程，文档版本更新、召回参数、重排策略都需要随业务迭代持续调优。

最后说两句

本文为技术科普，不构成任何商业建议。文中的参数与权重仅为通用经验，实际取值需要结合具体文档规模和评估集做实验确定。