医疗法律 RAG 合规追溯

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，比如给每条数据打上“来源等级”和“有效期”，检索时按需过滤。