GC-QA-RAG 智能问答系统的向量检索

本章节介绍 GC-QA-RAG 智能问答系统的核心检索技术原理，包括向量化策略、混合检索机制、RRF 融合排序等关键实现细节。

1. 检索流程概述

系统采用典型的 RAG（Retrieval-Augmented Generation）三阶段架构，检索阶段的目标是：在用户提问时，结合关键词与语义理解，快速定位最相关的知识点，为后续生成高质量答案提供支撑。

检索流程如下：

1. 用户输入问题；
2. 系统对问题进行向量化（稠密+稀疏）；
3. 在知识库中并行检索“问题”和“答案”字段；
4. 采用 RRF（Reciprocal Rank Fusion）算法融合多路检索结果，返回 TopK 最优答案。

2. 混合检索机制

2.1 多通道检索

系统采用混合检索（Hybrid Search），即同时利用稀疏向量（BM25）和稠密向量（Dense Embedding）两种方式，分别对“问题”和“答案”字段进行检索：

• 稀疏检索（BM25）：适合关键词明确的查询，召回能力强；
• 稠密检索（Dense Vector）：基于语义相似度，适合复杂表达和模糊查询。

每一路检索均获取 TopK=40 条候选结果。

2.2 检索字段

每个知识条目包含四类向量特征：

• Prefix_Question_Dense
• Prefix_Answer_Dense
• Prefix_Question_Sparse
• Prefix_Answer_Sparse

检索时，用户问题会分别与“预设问题”和“答案”字段的稠密/稀疏向量进行匹配，极大提升了召回率和相关性。

2.3 RRF 融合排序

多路检索结果通过 RRF（Reciprocal Rank Fusion）算法进行融合排序，最终选取 TopK=8 条最优结果返回。RRF 能有效兼顾不同检索通道的优势，提升最终结果的多样性和准确性。

3. 检索实现细节

3.1 向量化与查询

• 用户问题首先通过 embedding 模型生成稠密向量和稀疏向量（如 BM25 权重）；
• 检索时，分别以“问题稠密”、“答案稠密”、“问题稀疏”、“答案稀疏”四路向量为查询，调用向量数据库（如 Qdrant）的多路预取（Prefetch）接口；
• 检索结果通过 RRF 融合，去重后返回。

3.2 代码实现要点

以 search.py 为例，核心检索逻辑如下：

• get_embedding_pair：对输入问题生成稠密和稀疏向量；
• search_sementic_hybrid_single：对单个知识库集合，分别以四路向量进行预取检索（Prefetch），并通过 RRF 融合排序；
• search_sementic_hybrid：对所有知识库（如文档、论坛问答、教程）并行检索，合并结果；
• distinct_search_hits：对检索结果去重，确保每个知识点唯一。

3.3 检索流程示意

用户问题
   │
   ├─> 生成稠密/稀疏向量
   │
   ├─> [问题稠密] ─┐
   ├─> [答案稠密] ─┼─> 多路检索（TopK=40）
   ├─> [问题稀疏] ─┤
   └─> [答案稀疏] ─┘
         │
   └─> RRF 融合排序 → TopK=8
         │
   └─> 返回检索结果

4. 检索结果的结构与用途

每条检索结果包含：

• Question：预设问题
• Answer：标准答案
• FullAnswer：详细解释
• Summary：上下文摘要
• Url、Title、Category、Date 等元数据

这些信息不仅用于直接展示，也为后续大模型生成答案提供丰富上下文。

5. 技术优势与优化点

• 多路混合检索：兼顾关键词和语义理解，极大提升召回率和准确性；
• RRF 融合排序：有效融合多通道结果，提升多样性和相关性；
• Prefix 机制：通过文档类别/标题前缀，避免语义混叠，提升检索精准度；
• 高效去重：确保每个知识点唯一，避免重复信息干扰。

6. 总结

本系统通过多通道混合检索、RRF 融合排序、丰富的向量化与元数据设计，实现了高效、精准的知识检索能力，为智能问答系统提供了坚实的基础。

历史文章

GC-QA-RAG 智能问答系统的文档切片

了解更多

AI智能体开发指南