主要观点：

• 作为行业领先的银行科技供应商，虽创新快但文档管理存在挑战，之前知识共享和培训项目效果不佳，决定用检索增强生成（RAG）工具。
• 重新分配 RAG 实施的所有权给销售工程团队，各领域专家负责监督和微调，通过系统提示工程确保准确性和相关性。
• 采用元数据驱动方法，因单纯将知识纳入大语言模型（LLM）效果不佳且成本高，元数据可组织和关联信息，提高信息检索精度。
• 探索三种扩展 RAG 系统的方法，包括同时搜索所有应用、基于元数据自动选择相关应用、用户手动选择应用，以提高效率和准确性。
• 从设计到实施，构建完整的 RAG 应用，包括基础架构、分布式 RAG 系统、三种查询路径、UML 集成以增强知识表示、应用架构和管理等方面。
• 进行性能评估，采用分类器路由和全面覆盖两种方法，评估四个关键指标，发现分类质量重要、专业模型优于综合查询、人类监督仍有价值。

关键信息：

• 行业领先的银行科技供应商，代码库和产品丰富但文档管理有问题。
• 用 RAG 工具辅助销售工程师和客户架构师获取准确技术信息。
• 重新分配 RAG 所有权给销售工程团队，各专家负责各自领域。
• 元数据驱动方法，生成和利用元数据提高信息检索精度。
• 扩展 RAG 系统的三种方法及应用架构管理。
• 性能评估的方法和关键发现，如分类质量影响答案质量等。

重要细节：

• 之前知识共享和培训项目因文档碎片化和专业知识孤立效果不佳。
• RAG 结合检索和生成模型，当前 LLM 技术有低准确性和“幻觉”问题。
• 各领域专家通过系统提示工程“调优”RAG 应用，控制信息检索。
• 元数据生成过程及包含的内容，如总结文档、关键词等。
• 扩展 RAG 系统的三种方法的具体操作和优势。
• RAG 应用的基础架构，包括 Flask 应用、分布式 RAG 系统等。
• 三种查询路径的实现方式及 API 端点处理。
• UML 集成的方式及对知识表示的增强作用。
• 性能评估的四个关键指标的定义和计算方式。
• 性能评估的关键发现及结论，如分类器准确性的重要性等。