医疗 RAG 索引如何保合规?

这道题其实是在问，当[[RAG]]从通用聊天场景进入医疗、法律这种高风险领域时，工程化落地要解决哪些核心矛盾。说白了，通用RAG可以容忍一点[[幻觉]]，但医疗法律领域是零容忍，你得保证每个回答都有据可查，而且这个据还得是权威的。另外合规审计、知识频繁更新，这些都是硬约束。所以设计数据处理和索引流程时，不能只盯着检索效率，得把准确性和合规性当成第一性原理。

具体说一下数据采集。我第一件事就是搞白名单机制，只接入权威源。比如医疗就接临床指南、药典、药品说明书，法律就接裁判文书网、法律法规库。那些自媒体、论坛内容一概不要。原始文档形式很杂，有PDF扫描件、有网页，所以要做[[多模态]]处理，比如扫描件走[[OCR]]加版式还原，表格和图表要结构化提取，不能直接当图片丢进去。

清洗和结构化这一步非常关键。我会先做文档类型识别，然后按章节语义拆分，而不是固定字符数切分。拆分的时候同步做实体标注，比如医疗里标ICD-10编码、药品名，法律里标法条号、判例引用。这里有个坑，同一个主题可能有多版本指南或冲突法条，所以我必须做冲突检测，并且给每份文档标记证据等级，比如医疗里随机对照试验是I级证据，专家共识是IV级。但光靠自动化不够，高风险内容比如用药剂量、量刑标准，必须强制过人工审核。我会设计众包加专家双审流程，初级审核员先筛一遍，领域专家终审，确保万无一失。

再说索引架构，我不会只依赖向量检索。因为医疗和法律场景里，精确匹配和语义理解同样重要。我会搭三级索引。第一级是向量索引，用领域微调的[[Embedding]]做语义召回，配合[[Hybrid Search]]，把关键词检索也拉进来。因为有些查询比如药品名、法条编号，向量可能不如精确匹配准。第二级是关键词索引，用Elasticsearch做精确匹配，专门处理这类结构化查询。第三级是[[知识图谱]]，用来做关联推理，比如查某个药的禁忌症，或者某个判例的引用链。三级索引一起上，检索时先并行召回，再用[[Rerank]]做融合排序。

合规性保障是另一个大头。每个回答都必须强制溯源，附带原文片段、文档版本和页码，让用户能点回去核实。权限控制也要做，不同角色看到的内容可以不同，比如医生能看到完整临床指南，患者只能看到摘要。审计闭环必须完整，用户查询、检索片段、生成结果全链路日志留存，方便事后追溯。最后加个边界提示，明确说这是辅助参考，不构成专业建议。

效率方面，增量更新是必须的，只重索引变更的章节，避免全量重建。高频查询可以做缓存，预计算热点片段。检索时我会用HyDE先生成假设文档再检索，能提升召回质量。

不过话说回来，即使流程再完善，专业领域RAG还是会遇到检索失败的情况，比如用户问的问题在知识库里根本没有对应内容。这时候如果硬答，就会产生幻觉。所以我会特别关注检索失败时的兜底策略，比如设置置信度阈值，低于阈值就直接告诉用户“找不到相关信息”，而不是强行生成。这其实涉及到[[Faithfulness]]和[[Self-RAG]]的思路，让模型自己判断是否该回答。

所以整体上，我更倾向于把专业领域RAG看作一个工程系统，而不是一个模型问题。数据流程的严谨性、索引架构的冗余设计、合规机制的强制嵌入，这些比调一个更好的模型更重要。上线前我会用一批固定query回放，对比召回率和准确率，不达标绝不切换。