垂直领域 RAG 完整架构

这道题其实问的是，怎么把一个通用的[[RAG]]系统真正落地到专业领域。本质上是解决领域知识深度和通用模型能力之间的平衡问题。我理解，核心就三件事：数据怎么管，检索怎么准，生成怎么控。

先说数据。专业领域的数据不能一把抓，得分层。我一般分成三层：权威库、案例库、实时库。权威库，比如医疗的诊疗指南、法律的成文法典，这些是黄金标准，我会做结构化抽取加人工审核，更新频率不会太高，按月就行。案例库，比如历史病例或判例，这些需要[[向量化]]加元数据标注，更新可以实时。实时库，像最新文献或政策，用爬虫加轻量审核，小时级更新。这里有个边界：如果领域知识更新很慢，比如法律条文，那权威库就是核心；如果领域知识变化快，比如医疗新药，那实时库就得优先保证。落地时常见失败场景是，把所有数据混在一起，导致权威性和时效性打架，用户拿到过时的指南还以为是金标准。

检索这块，我不会只用一种方式。真正落地往往是多路召回加领域精排。召回我会走三条路：稠密向量，用领域微调过的 Embedding 模型，比如医疗的MedEmbed；稀疏向量，就是 [[BM25]] 加领域同义词扩展，比如法律里“撤销”和“撤回”是同义；还有图谱召回，通过 [[Entity Linking]] 做实体链接后走 [[Knowledge Graph]] 子图遍历。三条路并行，召回率才能上去。精排阶段，我会用 [[Cross-Encoder]] 做领域微调，再加时效性和权威性加权。举个例子，医疗问诊里，用户说“头痛三天”，向量召回可能找到一堆偏头痛病例，但图谱召回能关联到“高血压危象”这种急症，精排时权威性高的指南会排前面。这里有个坑：纯向量检索在专业术语上容易跑偏，比如“心肌梗死”和“心梗”语义相似但和“胸痛”的向量距离可能更近，所以稀疏向量和图谱一定要补上。

生成优化，我关注的是可控性。模型我会选基座加领域 [[SFT]]，比如用Huatuo或LawGPT，而不是从头训练。Prompt里我会强制要求引用格式，比如 [来源:指南名称/条款编号]，这样能溯源。生成后我会做两步：一是[[幻觉]]检测，计算检索内容和生成的N-gram重叠度，太低就拒答或降级。二是置信度分级，高置信直接回答，中置信建议复核，低置信就转人工。说白了，生成不是越聪明越好，而是越可靠越好。

安全合规这块，其实是整个系统的底线。权限隔离是必须的，比如医疗系统里实习医生和主任医师能看到的内容不一样。内容安全上，所有诊断建议必须带“请遵医嘱”这类风险提示。审计追踪要全链路ID绑定，从查询到检索片段到生成结果，出了问题能回溯。上线前我会特别关注人工兜底机制，复杂case自动转人工复核队列，这是最后的防线。