环保合规这几年是企业绕不开的硬话题。中央生态环保督察一轮接一轮排污许可一证式管理把排放约束落到每一道工序新污染物治理又持续扩充监测因子清单。政策方向很清楚从末端应付转向全过程、精细化管控。顺着这条线看企业手里那堆环评报告、验收文件、排污许可证其实是一份关于自身产排污脉络较为系统的知识档案。把这批文档变成可问答的合规资产靠的是文档解析、知识图谱和检索问答三件事串起来。文档解析先让机器读得懂第一步是把非结构化文档变成机器能处理的数据。环评报告常见 PDF还有扫描件、Word、Excel 附件系统得认这些格式扫描件走 OCR 把图里的字转出来表格也得能抽。读进来之后要切分。切分不能按固定字数来得按语义把独立意义的片段拆开比如废气处理工艺废水排放限值各成一块。这样后面有助于提升检索命中相关性减少无关内容混入。文本切块后用 BGE-M3 模型转成向量存进 Milvus 向量库。这一步的产出是几百页报告变成了带位置标记的小片段随时能被检索调出来。BGE-M3 默认输出 1024 维向量每条文档约占 4KB百万级文档的向量规模在几个 GB在合理架构和资源配置下具备工程可行性。知识图谱把零散信息连成网光有碎片还不够你得知道谁和谁有关系。知识图谱做的事是从文档里抽出实体再把实体连起来。实体包括污染因子、排放限值、治理设施、执行标准、有效期这几类。关系抽取会识别某因子对应某限值“某设施执行某标准”许可证某条款有效期到某天这样的关联。这些关系存进 Neo4j 图数据库用 Cypher 语言就能查。举个例子你想知道三号车间 COD 限值对应的治理设施是哪台、执行哪个标准、什么时候到期图谱一条查询就串出来了不用自己在三份文件间来回拼。图谱的价值是让信息有了结构人不用再靠自己拼接信息。检索问答用大白话问系统给准数RAG 是这套里直接面向使用者的部分。它把向量检索、关键词检索和混合检索组合在一起用。向量检索按语义找相似内容你问排放限值它能理解近义表述。ES 负责严格关键词匹配因子编号、标准号这类得精确命中。两者用 RRF 或者 cross-encoder 融合在评测验证通过的情况下通常比单一路径更稳定。一个被低估的事实是融合策略比单路检索更值得投入它直接决定进模型的那几段对不对。你直接用口语问这张排污证还剩多久到期、五号锅炉的氮氧化物限值是多少系统从知识库调出对应原文片段生成带出处的答案。答案来自检索到的真实文档有出处有助于降低无依据生成风险但关键结论仍需人工复核。评测这类系统常用 recall10 看前十条里命中几条数值低就得回头调切分和向量模型这一步的维护成本往往比上线还贵。Agent 工作流让自查自己跑起来前面几步是能力这一层是把能力排成自动流程。合规自查的典型流程可以这么排Start 节点接收标准文件链接file_download 把文件拉下来文档处理节点解析成结构数据Data Extractor 抽出实体If 节点判断某因子是否超标超了就进 Text Summary 生成说明最后 Skill 节点输出自查清单。状态流转由 LangGraph 调度异步任务走 RabbitMQ高频热点数据放 Redis 缓存。复杂任务中途断了能从检查点续上不从头再跑。敏感数据不出厂环评和排污数据里头有企业工艺细节属于敏感信息。这类系统得本地化部署在本地化部署并关闭外部调用、日志回传和远程运维等通道后可按配置将文档和处理过程控制在企业指定环境内。架构上用微服务各组件解耦能独立扩展。文档量涨了就加向量集群节点问答并发高了就扩模型推理服务互不影响。前面说的上述主要能力小艾智能体可通过相应模块提供支持。文档处理引擎批量解析环评和许可文件知识图谱负责把因子、限值、设施、标准关联成网。混合检索交给向量检索引擎它用 BGE-M3 加 Milvus 跑语义和关键词。Agent 编排靠配置文件串起自查流程Skills 机制把代码审查、纪要生成做成可插拔组件自学习模块还能把高质量问答沉淀回知识库用户点踩的答案会被专家修正后纳入循环。对环保合规这个场景落地路径很直接用文档处理引擎解析历史环评和许可建知识图谱接 RAG 问答和 Agent 自查清单私有化部署有助于在合同、网络和权限配置约束下控制数据流向。企业得到的不是又一个文档管理系统是一套可辅助回答合规问题、生成自查线索和清单的系统资产。