面试题 · 知识图谱
搜索「检索」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
请详细阐述如何为医疗或法律等专业垂直领域构建一个完整的RAG（检索增强生成）系统链路，包括关键组件设计、领域知识处理、检索策略优化等核心环节。
用户查询 → 查询理解层 → 多路检索 → 重排序 → 上下文组装 → LLM生成 → 后校验数据分层
按学习路线查看教程、项目和面试题。
领域Embedding微调
| 召回通道 | 适用场景 | 实现 |
|---|---|---|
| 稠密向量 | 语义相关、同义表达 | 微调后的Embedding+Faiss/Milvus |
| 稀疏向量（BM25） | 精确匹配、专有名词 | Elasticsearch |
| 知识图谱 | 实体关系、推理查询 | 实体链接+子图检索 |
| 倒排索引 | 时效性筛选、地域过滤 | 元数据索引 |
融合策略：RRF（Reciprocal Rank Fusion）或轻量模型打分，避免单路失效
| 维度 | 医疗 | 法律 |
|---|---|---|
| 时效性 | 诊疗指南版本管理 | 法条修订追踪、地域差异 |
| 权威性 | 多源证据等级标注 | 判例效力层级（指导案例>参考案例） |
| 风险管控 | 风险提示+人工复核触发 | 执业资质校验+边界拒答 |
线上收集bad case → 归因（检索漏召/排序错位/生成幻觉）→ 针对性补充数据或调整策略
场景切入
假设咱们要给一家律所做个智能法律助手，他们有成堆的判例和法条，用户问“正当防卫怎么认定”，系统得从几百份文书里找到最贴切的。你从零开始搭这个RAG链路，会怎么设计关键组件，尤其是领域知识怎么处理？
层层追问
垂直领域的RAG你了解吧？……如果用户问的术语很专业，比如“心肌梗死”和“MI”在检索里怎么对齐？……那多路召回你怎么融合，避免漏掉关键信息？……最后生成答案怎么保证不胡说八道？
直球架构
详细说说为医疗或法律这类领域构建完整RAG系统链路的方案，包括如何结构化与非结构化处理领域知识、多路召回策略的设计与融合、查询意图识别与改写，以及答案的事实性校验和溯源机制。
这道题其实问的是，当[[RAG]]落到医疗、法律这种高价值、高风险的垂直领域时，到底要怎么搭一条能真正跑通的链路。核心已经不是通用RAG那套“文档切一切、向量存一存、召回来拼Prompt”了，而是怎么把领域知识的结构化、查询的复杂意图、还有最终答案的可靠性串起来。
我先说知识处理这块，这是最花功夫的。通用RAG里往往一刀切[[Chunk]]，但垂直领域不行。我的做法是把数据分成三层来对待：结构化数据，比如药品库、法条，直接做成[[Knowledge Graph]]，存实体和关系；半结构化数据，像病历模板、合同范本，我会抽成标准字段，比如病历里的主诉、现病史，合同里的当事人、标的额；非结构化数据，比如医学文献、裁判文书，才做语义切块。切块策略也得按场景来，医疗我倾向按就诊流程切，比如主诉、检查、诊断、治疗各一段；法律按争议焦点切，比如“是否构成违约”“赔偿金额计算”各一段。这样检索时命中率更高。
再一个，领域[[Embedding]]不能直接用通用模型。我会拿PubMed或者裁判文书继续做[[SFT]]，或者构造对比学习数据，让“心肌梗死”和“MI”映射到相近向量。这是个大前提，如果直接拿通用Embedding去搜，专有名词匹配会非常差。
说回检索策略。我倾向于多路召回加精排，而不是单靠向量。具体来说，我会开三路：第一路是稠密向量，用微调后的Embedding配合[[Faiss]]做[[ANN]]，解决语义相似但字面不同的问题；第二路是[[BM25]]，走精确关键词，专治药品名、法条序号这种必须精确匹配的；第三路是知识图谱，走[[实体链接]]加[[Relation Extraction]]，比如用户问“阿司匹林和布洛芬能一起吃吗”，知识图谱直接返回药物相互作用关系。三路结果用RRF融合，简单有效。如果只靠向量，精确匹配会漏；只靠关键词，同义表达会漏，说白了，真正落地都是混合着上。
查询理解这块也不能省。我会先做意图识别，区分用户是想查诊断建议还是用药禁忌，或者查法条还是找类案。然后做Query扩展，用领域词典把“新冠”扩展成“COVID-19/新型冠状病毒肺炎”。如果意图置信度低，我会主动追问，比如“您指的是刑法第X条还是民法第X条？”，这样能减少后面检索的噪音。
生成阶段，我特别关注事实性校验和引用溯源。我会强制模型输出时带上来源索引，用户能点过去看原文。同时做实体一致性检查，医疗场景用UMLS知识库，看生成结果里的药物、症状是不是匹配；法律场景用法条时效库，过滤掉已废止的条款。这里有个坑：如果知识库里混了过时的诊疗指南或废止的法条，生成结果直接会错。所以上线前我会特别关注知识库的版本管理和权威性标注，比如给每条数据打上“来源等级”和“有效期”，检索时按需过滤。
最后，落地后我会建一个bad case闭环。线上收集错误案例，归因到是检索漏召、排序错位还是生成[[幻觉]]，然后针对性补数据或调策略。
另外，当用户问“我该用什么药”这种涉及诊断的问题时，我倾向在系统层面设置边界：直接拒答，或者输出前置风险提示，并触发人工复核。这个边界怎么划、怎么落地，其实挺值得细聊的。
所以整体上，我更愿意把垂直领域RAG看成一套“知识结构化+多路检索+强校验”的组合，而不是单纯的检索加生成流水线。