最近在做一个智能客服系统的升级原来的系统要么是基于关键词匹配的规则引擎要么是直接调用大模型。规则引擎维护起来太痛苦业务一变就得改规则冷启动慢而直接用大模型呢又经常“一本正经地胡说八道”回答一些知识库里没有的内容也就是所谓的“幻觉”问题。这俩方案在客服这种对准确性和时效性要求都很高的场景下都有点力不从心。刚好RAG检索增强生成技术火了起来它结合了检索和生成的优势感觉是个不错的解法。简单说就是先把公司的知识库产品文档、FAQ、历史工单等转换成向量存起来用户提问时先从这个向量知识库里检索出最相关的几段内容然后把这些内容和大模型本身的“常识”结合起来生成最终的回答。这样既保证了回答有据可依又能利用大模型的理解和语言组织能力。1. 为什么是RAG而不是微调在技术选型时我们主要对比了RAG和模型微调Fine-tuning。动态知识更新客服知识库是高频变化的新产品上线、政策调整都需要即时同步。微调一次模型成本高、周期长无法适应这种快速变化。RAG则只需要更新向量数据库里的文档片段几乎是实时的。成本与效率微调需要大量的标注数据和算力资源而RAG主要成本在构建向量索引和检索阶段对于大多数中小企业来说启动和运维成本更低。可解释性RAG的答案是基于检索到的文档生成的我们可以轻松追溯到答案的来源文档这对于客服场景的质检和知识溯源非常重要。基于以上几点我们最终选择了RAG架构。2. 核心实现细节拆解整个系统的核心流程可以概括为文档处理 - 向量化与索引 - 检索 - 增强生成。下面我分点说说几个关键环节的实现。分层向量索引构建我们使用了FAISS作为向量数据库因为它性能出色且开源。为了提高检索效率和精度采用了分层索引策略。分片Sharding将整个知识库按主题或部门分成多个分片例如产品A分片、售后政策分片。检索时可以先根据用户问题粗筛可能的分片减少搜索范围。索引类型在分片内部使用IndexIVFFlat索引。它通过聚类将向量空间划分为多个单元nlist参数搜索时只查询最相关的几个单元nprobe参数大幅提升速度。nprobe越大精度越高但速度越慢需要权衡。多向量表示对于关键文档除了用整个段落生成一个向量还可以对标题、关键句分别生成向量并索引以应对不同粒度的查询。LangChain RetrievalQA链的应用LangChain帮我们封装了很复杂的流程。我们用的核心链是RetrievalQA。流程用户问题 - Embedding模型转为向量 - 在FAISS中检索出Top K相关文档 - 将问题和这些文档一起构造成Prompt - 发送给LLM如ChatGPT API或本地部署的模型- 得到最终答案。Prompt模板这是关键。我们设计了类似下面的模板明确告诉模型基于给定的上下文Context回答如果上下文不包含答案就老实说不知道。请根据以下上下文信息回答问题。如果上下文信息不足以回答问题请回答“根据现有资料我无法回答该问题”。 上下文{context} 问题{question} 答案检索器Retriever我们使用了MultiQueryRetriever它会用LLM将原始问题生成3-5个不同角度的相似问题分别检索然后合并结果。这能有效提高召回率避免因问题表述差异导致的遗漏。对话历史压缩与上下文管理客服是多轮对话。如果把所有历史对话都塞进上下文会迅速耗尽Token限额且干扰当前问题的检索。Token节约策略我们实现了一个简单的对话历史压缩器。每轮新的对话产生后会将之前的对话历史除最近一两轮外进行总结。例如将用户之前关于“订单123456”的多个问题总结为“用户正在查询订单123456的发货和退款状态”。然后将这个总结摘要和最近一两轮原始对话一起作为历史上下文参与下一轮的检索和生成。这大大节省了Token并保持了对话的连贯性。3. 关键代码示例下面是一些核心模块的代码片段基于FastAPI和LangChain。带缓存的Embedding服务封装频繁计算相同文本的Embedding是浪费。我们加了层内存缓存生产环境可用Redis。from sentence_transformers import SentenceTransformer import hashlib import pickle from functools import lru_cache class CachedEmbedder: def __init__(self, model_nameparaphrase-multilingual-MiniLM-L12-v2): self.model SentenceTransformer(model_name) # 使用LRU缓存最多缓存10000个不同的文本嵌入 self.get_embedding_cached lru_cache(maxsize10000)(self._get_embedding_uncached) def _get_embedding_uncached(self, text: str): 实际计算嵌入的函数被缓存包装 # 对文本进行简单清洗 cleaned_text text.strip() if not cleaned_text: return np.zeros(self.model.get_sentence_embedding_dimension()) return self.model.encode(cleaned_text, normalize_embeddingsTrue) def get_embedding(self, text: str): 对外接口返回缓存或新计算的嵌入 return self.get_embedding_cached(text) # 初始化全局嵌入器 embedder CachedEmbedder()基于FastAPI的异步接口实现使用异步提高并发处理能力。from fastapi import FastAPI, HTTPException from pydantic import BaseModel from typing import List import asyncio from your_rag_core import RAGChain # 假设这是封装好的RAG链 app FastAPI(title智能客服RAG API) rag_chain RAGChain() # 初始化RAG链加载向量库等 class QueryRequest(BaseModel): question: str session_id: str None # 用于多轮对话的会话ID history: List[dict] [] # 历史消息格式如 [{role:user, content:...}, ...] class QueryResponse(BaseModel): answer: str sources: List[str] # 引用来源文档ID或片段 session_id: str app.post(/query, response_modelQueryResponse) async def query_rag_system(request: QueryRequest): 处理用户查询的核心异步端点 try: # 处理对话历史例如应用上文提到的压缩策略 processed_context rag_chain.compress_history(request.history) # 异步执行检索和生成假设rag_chain.query是异步方法 # 在实际中可能需要将CPU密集的检索如FAISS搜索放到线程池运行 answer, source_docs await rag_chain.query_async( questionrequest.question, contextprocessed_context ) # 生成或复用会话ID session_id request.session_id or generate_session_id() return QueryResponse( answeranswer, sources[doc.metadata.get(source, unknown) for doc in source_docs], session_idsession_id ) except asyncio.TimeoutError: raise HTTPException(status_code504, detailQuery processing timeout) except Exception as e: # 记录详细日志 logger.error(fQuery failed: {e}, exc_infoTrue) # 优雅降级返回一个友好的错误信息或切换到规则引擎 raise HTTPException(status_code500, detailInternal server error, please try again later.)关键异常处理逻辑如OOM回退生产环境必须考虑稳定性。class RAGChain: # ... 其他方法 ... async def query_async(self, question: str, context: str None): try: # 尝试主要路径使用向量检索LLM生成 return await self._query_with_llm(question, context) except RuntimeError as e: # 捕获可能的GPU OOM错误或其他运行时错误 if CUDA out of memory in str(e): logger.warning(LLM GPU OOM detected, falling back to retrieval only.) # 降级策略只进行检索返回最相关的文档片段作为答案 relevant_docs await self._retrieve_only(question, top_k3) fallback_answer 以下是根据您的问题找到的最相关信息\n \n---\n.join([doc.page_content[:500] for doc in relevant_docs]) return fallback_answer, relevant_docs else: raise # 重新抛出其他运行时错误 except Exception as e: logger.error(fUnexpected error in query: {e}) # 最终降级返回预设的兜底话术 return 抱歉服务暂时遇到问题请稍后再试或联系人工客服。, []4. 生产环境考量要点系统上线后还有一堆工程问题要解决。并发请求下的优化FAISS索引加载FAISS索引文件可能很大。我们采用“索引预加载多进程共享内存”的方式避免每个请求都重复加载。异步化如上代码所示使用FastAPI的异步接口并将耗时的I/O操作如调用LLM API、磁盘读取设计为异步。检索批处理如果短时间内有多个相似查询可以考虑对查询向量进行批处理检索FAISS的批检索效率远高于循环单次检索。敏感信息过滤输入过滤在用户问题进入RAG流程前用正则或简单模型过滤掉明显的人身攻击、违法关键词等。输出过滤在LLM生成答案后增加一个“安全层”进行检查。可以使用一个小的分类模型或者关键词列表判断生成内容是否包含敏感信息、隐私数据如被意外检索出的用户手机号如有则进行脱敏或拦截。监控指标设计性能指标首字节时间TTFB、端到端响应时间、每秒查询数QPS。效果指标召回率RecallK——检索出的Top K文档中是否包含正确答案的衡量答案准确率——需要人工抽样或通过一些启发式规则自动评估。业务指标问题转人工率、会话平均轮次、用户满意度评分如果有。5. 实战避坑指南踩过的一些坑分享给大家。分片大小与召回精度的权衡坑分片太小可能导致检索到的文档片段过于零碎缺乏足够上下文分片太大又会引入无关信息干扰LLM生成且降低检索速度。解根据知识结构来划分。对于连贯性强的文档如一篇长教程可以按章节分片500-1000字。对于独立的QA对可以一条一个分片。没有银弹需要根据实际检索效果调整。GPU资源分配策略坑Embedding模型和LLM都放在GPU上高峰期容易显存溢出OOM。解将Embedding模型放在CPU上。像sentence-transformers这样的模型在CPU上运行速度也很快且对精度影响极小。把宝贵的GPU显存留给更大的文本生成模型。或者对于Embedding可以使用专门的向量化API服务。对话状态管理的常见错误坑简单地将所有历史问答拼接起来作为当前问题的上下文导致LLM注意力分散或者Token超限。解如前所述一定要做对话历史压缩。更高级的做法是维护一个“对话状态机”明确跟踪用户意图例如正在咨询退货流程 - 已提供流程 - 用户询问时间限制根据状态来决定检索哪些知识片段和如何构造Prompt。写在最后通过这一套基于RAG的智能客服系统改造我们最终将平均响应速度提升了40%以上并且答案的准确率和用户满意度都有了显著提高。最大的感受是RAG确实为结合静态知识和动态大模型能力提供了一个优雅且实用的框架。当然系统还有优化空间。比如目前我们的知识库还是单语言的。一个开放的挑战是如何高效地实现跨语言知识库的合并与检索例如中文文档和英文文档的向量空间如何对齐当用户用中文提问时是否也能从英文资料库中检索到相关信息并翻译生成答案这可能是我们下一步要探索的方向。希望这篇笔记对正在考虑或正在实施RAG项目的你有所帮助。这条路虽然有不少细节要打磨但看到机器能更准确、更快速地回答用户问题感觉一切折腾都是值得的。