企业级智能问答系统踩坑实录：RAG老是达不到效果的优化方案

“ 大模型应用开发流程正确，但结果不一定正确。”

由于大模型技术的复杂性，再加上不同业务场景的特殊需求，导致大模型应用的开发难度很大；但大模型应用开发最难的不是做出来而是要做好。

这次还以作者手里的智能问答项目来说，记录一下智能问答系统的踩坑记录，从怎么都达不到想要的效果，到能够很好的满足业务场景。

从作者这些年的开发经验来看，很多时候开发技术栈是有限的，遇到问题更多的是思路问题而不是纯粹的技术问题。

智能问答系统的优化方案

在介绍解决方案之前先来再简单介绍一下项目背景。

作者手里的这个项目是一个智能问答场景，但根据业务类型又区分为三个不同的子场景，并分别对应三种不同的知识问答。业务需求上要求这三个子场景使用同一个入口，并最好能不需要人工区分场景(如三个子菜单或下拉框)，能够让系统根据问题智能判断不同的场景并选择不同的文档。

业务架构如下所示：

但这里有几个问题，场景1和场景2除了知识文档不同，其它的都很相似，文档类型也都是word，pdf这种非结构化数据；但场景3比较特殊，它的主要功能是查数据，而且文档类型是结构化+非结构化数据。

说到场景3可能有些人不是很理解这有什么特殊的地方，下面我们就来解释一下场景3的特殊点。

先说查数据，在之前的文章中有提到过查数据这个问题；在RAG增强检索中，检索和增强是分开的，并且没有限制检索的方式是相似度语义检索还是基于传统的数据库结构化检索。

但在基于自然语言的对话中，如果使用相似度语义检索很简单，直接把问题和知识转换成向量，然后进行相似度匹配就行了；但如果要使用传统的条件筛选，这就需要使用智能体(agent)技术了。

所以这个就是基于语义检索的缺陷问题，无法实现条件匹配；而智能体可以让模型理解用户的问题，然后生成查询条件调用接口或生成SQL进行条件检索。

第二个问题是，场景3的知识文档是结构化数据+非结构化数据；结构化数据需要使用条件筛选，非结构化数据需要使用语义匹配，这样才能达到最好的效果；虽然理论上把结构化数据转换成markdown或html格式，也可以实现相似度检索，但这种方式在实操检验中效果并不好。

所以说，怎么用技术解决这个问题？技术架构应该怎么做？

刚开始由于业务需求不明确，也没现在这么复杂，并且对业务和技术了解不深；所以作者选择的是使用纯RAG技术解决来实现这个功能，并且基础的技术架构是根据三个子场景，创建三个不同的知识库，也就是三张表(数据量不大，也就几万条)。

技术架构如下所示，是通过把非结构化数据转换成markdown这种半结构化数据保存到向量库中；而结构化数据，采用markdown+元数据的方式进行保存。

但是，经过实测发现这种效果很差，用户那边一直反馈效果不理想，甚至会胡编乱造；而从技术的角度来看就是，文档召回率和准确率都不足，虽然使用了很多种召回优化的手段，但都没有达到想要的效果，特别是三个场景区分不清楚。

这时作者区分三个子场景的实现原理是，根据用户问题先去三个知识库中分别检索相关数据，然后再重排序之后，找到其中相关性最高的，这个文档在哪个知识库，就是那个子场景。但由于文档召回率和准确率不足，导致场景判断也出现偏差。

所以，这时想的是既然纯RAG或者说相似度检索解决不了问题，那么我们就用智能体去解决。

但说起来简单，但等到真正把技术和业务结合的时候才发现，好像远远没有那么简单。

首先的问题就是，设计几个智能体，从哪个维度设计智能体？

如果给每个场景都单独设计一个智能体，那在不主动区分场景的情况下，我怎么知道调用那个智能体呢？

如果从场景的维度的维度设计智能体，那怎么解决相似度查询和条件查询的问题，工具上怎么设计，怎么实现，怎么匹配？

这个问题大家可以先思考一下，然后再看下面的解决方案。

所以，现在新的解决方案是什么样的呢？

解决方案

首先，作者刚开始就陷入了一个思维误区，那就是知识库为什么要根据三个场景建立三个知识库，不能从其它维度建立知识库吗？

既然三个场景无法区分，并且知识文档分为结构化和非结构化文档，并且只有第三种场景才有结构化文档；那么我们就可以从结构化和非结构化的角度来建立知识库。

因此，作者就创建了两个知识库，一个知识库用来保存第三种场景的结构化数据；这样就可以完全使用条件查询或者组合条件(标量)查询和相似度查询；而另外一个知识库专门用来保存非结构化文档，并且使用type字段来区分三种不同的场景。

这样业务逻辑就简单多了，而且实现智能体时也简单多了；只需要实现两个工具即可，一个是条件查询工具，另一个是相似度查询工具；简单来说就是两个知识库各实现一个查询工具即可。

然后在工具介绍中告诉模型，需要查数据的使用条件查询工具，需要匹配概念，语义的使用相似度查询工具。

这样在调用相似度查询工具时，再根据工具的返回结果中的type字段来判断到底属于哪个子场景。

如下图所示：

这样就完美解决了结构化文档和非结构化文档的混合查询问题，以及不同场景的判断问题。最重要的是其在技术实现上也变得简单了好多。

而且，经过实际测试，其效果远比之前的纯相似度检索效果要好上许多。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！