【MOI 实践 Vol.1】当 RAG 系统告诉你“找不到答案”,但你明明记得文档里有

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

“我换了个问法再问一遍,怎么这次就有答案了?”

如果你在使用企业知识库问答系统时遇到过类似的困惑,你不是一个人。RAG 系统的检索准确性问题,可能比想象中更普遍。

我们最近针对这个问题做了一些探索,发现了一些有意思的改进方向。

真实场景中的三个尴尬时刻

场景一:明明有,就是找不到

技术团队维护着一个完善的产品文档库,但客户经常反馈"系统回答不出来"。人工检查后发现,相关内容其实都在文档里,只是客户的提问方式和文档的表述不太一样。

比如客户问"如何配置数据同步",文档里写的是"数据复制设置"。对人来说这是同一个意思,但对传统 RAG 系统来说,向量相似度不够高,就检索不到。

场景二:答案看起来对,但总觉得哪里不对

系统给出了一个看似详细的答案,但仔细核对文档后发现,有些细节是"编造"的(业内叫 hallucination)。问题是,普通用户根本分辨不出来。

这在 B 端场景尤其危险——客户可能会基于错误信息做决策,最后发现不对时,对产品的信任度就彻底崩了。

场景三:不知道该不该信

系统给了答案,但用户心里没底:“这个答案靠谱吗?是从哪个文档来的?置信度有多高?”

传统 RAG 系统像个黑盒,用户只能选择"信"或"不信"。缺乏透明度的系统,很难获得用户信任。

这些场景的背后,是三个技术层面的问题:

  • 检索召回不足 → 用户换个问法,检索结果就完全不同
  • 答案质量难评估 → 不知道答案是真的准确还是"一本正经地胡说八道"
  • 系统不透明 → 用户无法判断该不该信这个答案

我们的尝试:多检索 + 实时评估

针对这些问题,我们搭建了一个原型系统(MOI Assistant),核心思路是:既要扩大检索范围,又要量化答案质量。

方向一:用多种方式"理解"同一个问题

与其依赖单一的向量检索,不如用多种策略并行:

HyDE(假设文档增强)

系统先生成一个"假想的完美答案文档",再用这个文档去检索。这样能找到那些"意思对但表述不同"的文档。

Multi-Query(多角度提问)

把用户的一个问题,自动改写成 3-4 个不同角度的提问,分别检索。比如"如何配置"可以改写成"配置方法"“设置步骤”"参数说明"等。

MOI(组合检索)

并行执行上述策略,然后把结果聚合去重。在我们的测试中,这种方法能检索到 200 个候选文档(传统方法只有 50 个),检索耗时约 2 秒(相比传统方法的 0.5 秒,增加了 1.5 秒)。

检索方法召回文档数检索耗时相关性分数 (nDCG)
Dify (基础)50 个~0.5s0.72
HyDE50 个~2.0s0.78
Multi-Query150 个~1.0s0.81
MOI (组合)200 个 ⬆️300%~2.0s (+1.5s)0.85 ⬆️18%

说明:MOI 方法通过并行化,在增加 1.5 秒的情况下,召回率提升 300%,准确率提升 18%。

方向二:给每个答案打个"信任分"

检索到文档后,我们加入了两个维度的实时评估:

幻觉检测(0-1 分)

用专门的 HHEM 模型检查"生成的答案是否和检索到的文档内容一致"。如果答案里出现了文档中没有的信息,分数就会降低。单次检测耗时不到 0.1 秒。

检索相关性(nDCG 评分)

使用 UMBRELA 标准,评估每个检索到的文档与问题的相关程度(0-3 分制),然后聚合成一个整体的相关性分数。对 10 个文档的评估耗时约 5 秒。

这些评估异步进行,30 秒内完成,不影响用户看答案的体验。用户可以实时看到:

  • “这个答案的可信度是 0.92”(幻觉检测分数)
  • “检索到的 10 个文档,平均相关性 0.85”(nDCG 分数)
  • 每个文档的相关性评分和排序

效果如何?

我们在一个包含技术文档的测试环境中做了验证:

检索准确率明显提升

指标传统方法 (Dify)MOI Assistant
召回文档数50 个200 个 (⬆️300%)
检索耗时0.5 秒2.0 秒 (+1.5秒)
准确率 (nDCG)0.720.85 (⬆️18%)

核心收益:召回率提升 300%,准确率提升 18%,检索耗时仅增加 1.5 秒。

答案质量可量化

在 100 个测试问题中:

  • 幻觉检测分数与人工标注相关系数 > 0.85
  • 相关性评分能有效区分高质量和低质量的检索结果
  • 评估在 30 秒内异步完成,不影响答案生成

最关键的是,用户终于能看到答案的可信度,而不是盲目相信或怀疑。

系统性能优化

性能指标数值说明
首字延迟< 1 秒问题提交后,首字出现的时间
答案生成速度~10 字/秒流式输出,逐字显示
向量检索< 500msMatrixOne 数据库响应
Rerank 处理< 200msGTE-Rerank 模型耗时
总响应时间2-3 秒完整答案生成的总时间

通过并行化优化,系统总响应时间从传统方法的 3-5 秒降低到 2-3 秒,效率提升约 40%。

多数据源检索效果对比

对比项传统方法MOI Assistant
查询次数需要手动查询两次一次查询完成
耗时约 6 秒约 3 秒
效率提升基准⬆️50%

DEMO 演示截图

*(支持知识库分类,并支持仅检索单一知识库)
*(支持知识库分类,同时可对所有知识库进行统一搜索)*
在这里插入图片描述

MOI 针对解析&检索功能,进行了优化,从结果可看出,MOI 检索回答整体表现较好

一些观察和思考

"多问几次"不应该是用户的必选项

理想情况下,用户不应该因为"第一次没检索到"就换个问法再试一次。多检索策略的目标,就是让系统主动帮用户"多问几次"。

透明度本身就是产品价值

B 端用户对"黑盒系统"天然不信任。让用户看到答案来源、相关性评分、可信度,这种透明度本身就能提升产品体验。

有测试用户反馈:“即使答案不完美,但我能看到评分,就知道该不该深入核查,这个很有用。”

技术优化的目标是减少"不确定性"

RAG 系统很难做到 100% 准确,但可以通过技术手段,让"不准确的时候,系统知道自己不准确"。这种诚实,比虚假的自信更重要。

写在最后

RAG 系统的检索准确性,表面上是个技术问题,本质上是个用户信任问题。

当用户提问时,他们期待的不仅是一个答案,更是:

  • 这个答案是对的
  • 即使不对,我能知道它可能不对
  • 我能理解答案从哪里来的

而 RAG 系统的优化不只是"调参数"或"换模型",更需要底层基础设施的支撑。

MOI 的向量检索能力让我们可以在毫秒级完成大规模相似度计算;SQL 与向量的融合查询,让复杂的多条件筛选成为可能;而云原生架构带来的弹性扩展,让实时评估这种"额外计算"不再是性能瓶颈。

当基础设施足够强大时,上层应用才有空间去做更精细的优化。这只是开始。RAG 的想象空间还有很多,而 MOI 正在成为我们探索这些可能性的基座。

点击链接,查看【 MOI Assistant 】实景演示 DEMO
https://www.bilibili.com/video/BV1sJSWBhEpd/?vd_source=0125861879b1b6dceb4e6b846abd4be7

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1334

AI 写的测试测的是它自己:断言锁死输出,功能改错它也测不出来

AI 生成的测试跑得勤、全绿、上线前不报错,但三个月后维护时发现它已经"测的是自己"——断言用实现逻辑生成期望值,功能改错了测试还是绿的。这篇用一组沙箱演练量"可测性":同一个实现、同一批订单、两版测试(AI 风格·字面量锁死 vs 人写规范·业务谓词),走三组对照。结论反直觉:需求不变时两版测试都绿;需求一演进,A 版测试先误报(锁死输入结构,代码没 bug 却红),"修"完就变成测自己,之后功能改错它照样绿;B 版测试不误报、改错就红。跑得绿不等于测得住。

四六的六专栏 272

合并数组与非合并数组——SystemVerilog

合并型数组(packed): — 合并型数组可以实现连续的存储,赋值时不需要用 '{ }。 //合并型数组 bit [3] [7:0] b_pack // 表示3行 x 8列的数组,[3]是高维度(高维度),[7:0]是低维度(第一维) 数组中,数据排列为{b_pack[3],b_pack[2],b_pack[1],b_pack[0]},其中每个b_pack为8个bit; bit是二值逻辑,每位bit只占据1位。故24位bit只占据一个word(一般一个word为32bit)的存储空间

SummerXRT的博客 7642

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 362

嵌入式存储入门:Emmc控制器与设备工作原理全解析(附Synopsys/Arasan架构图)

本文深入解析了嵌入式系统中Emmc控制器与设备的工作原理,重点剖析了其作为CPU与存储设备桥梁的核心架构。通过对比Synopsys和Arasan两家主流IP厂商的控制器设计,详细阐述了DMA引擎与FIFO缓冲模块如何协同工作以提升数据传输效率,并提供了从硬件PCB布局到驱动调试的实战指南,帮助硬件工程师与开发者优化系统性能。

weixin_29248653的博客 149

数字取证双雄:Passware Kit Forensic 与 ElcomSoft 在实战场景下的能力边界解析

本文深入解析了Passware Kit Forensic与ElcomSoft在数字取证实战中的能力边界,涵盖Windows、macOS、iOS和Android系统的密码恢复与数据提取技术。通过真实案例对比两款工具在硬件加速、分布式计算及云取证等场景下的表现差异,为取证专家提供关键决策参考。特别探讨了密码恢复软件在加密设备突破中的核心作用。

weixin_30342209的博客 404

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 303

脑电分析中的频谱特征提取 —— 从理论到实践

本文系统介绍了脑电信号(EEG)频谱特征提取方法及其应用。EEG信号通过频谱分析可分为Delta、Theta、Alpha、Beta和Gamma等具有明确生理意义的频段。文章详细讲解了功率谱密度、频带功率、相对功率、频谱熵等关键特征的计算方法,并提供了Python实现示例,包括模拟数据和真实CHB-MIT癫痫数据集的处理流程。这些频谱特征在脑机接口、情绪识别、疲劳监测和癫痫检测等领域具有重要应用价值。文章强调频谱特征结合时域和非线性特征可提升分析效果,为EEG研究提供了实用指导。

qq_32516809的博客 1443

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 624

CloudCompare点云变换保姆级教程:从平移、旋转到绕任意点旋转,一次搞定

本文提供CloudCompare点云变换的全面教程,涵盖从基础平移、旋转到绕任意点旋转的高级技巧。通过详细的操作步骤和实战案例,帮助用户掌握点云数据处理的核心技能,提升三维模型对齐和变换的效率与精度。

weixin_28717969的博客 291

Tomcat漏洞——弱口令爆破

靶机:CentOS7 IP:192.168.100.40。攻击机:kali IP:192.168.100.60。版 权 声 明:本博客所有文章除特别声明外,均采用。文章版权归作者所有,未经允许请勿转载!作 者:PeiyuJue。

weixin_57379923的博客 911

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 215

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 348

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

多模态试驾预约Agent实战案例

本章将实现一个完整的多模态试驾预约Agent应用系统,该系统实现了从多模态输入解析到试驾全流程(预约、调度、调整、信息查询)的闭环处理,适用于汽车试驾预约的智能化服务场景。系 统 概 述该项目“多模态试驾预约Agent”是一个集成多模态交互与试驾全流程管理的系统,主要功能概述如下。1. 多模态输入处理支持文本、语音、图片三种输入方式的解析与处理。(1)文本输入:识别用户意图(如“试驾预约”“价格查询”等),并提供针对性操作建议。

夏天又到了的专栏 293

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 365

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 90

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 164

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 521

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 627

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

413

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 404

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5193

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 585

明确边界:在AI工程实践中重构自我定位

分析在AI应用的过程中,人应该如何参与进去:通过AI去解决人无法分析的问题,但是这个过程中又需要人去判断,比如安全的边界和决策。从开始无法理解这种情景下存在的一定矛盾性,到通过不断实践后确定自己在整个过程的位置,达到能够更有针对性的补充知识体系的目的。

CC_77123的博客 167
上一篇: MatrixOne Intelligence 4.0 全新升级:让数据智能触手可及!
下一篇: 【MOI 实践 Vol.2】当表格填了两小时,结果公司名还填错了
MatrixOrigin
博客等级 码龄5年 708粉丝 230原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值