feat(knowledge): 知识检索增加产品名的字面兜底召回

问题:客户问「季季盈90天的起投金额是多少」会被引导到人工客服,而知识库里明明有答案。
实测根因不是阈值拍错了,而是专有名词在 embedding 空间里不占优势——该问句的向量 top1
只有 0.6291,够不到 0.75 硬门槛,只能靠与次优的差值勉强通过;而同一次查询用
title like "%季季盈%" 是唯一命中 PROD-007。既然客户已经说出了产品名,就不该再赌相似度。

做法(三条边界都是实测逼出来的,不是设想):
1. 只对产品集合做字面匹配。客户问「季季盈90天的起投金额是多少」与通用 FAQ 标题
   「基金起投金额是多少?」有 7 个字连续重合;把 FAQ 纳入字面匹配会让它和真正的产品块
   一起拿到满分、差距归零,反而又退化成"转人工"。
2. 字面命中只在向量结果不够确定时采用。客户问「基金赎回几天到账」时向量已给出正确答案
   (FAQ-0016 得 0.8060),但手册章节标题「5.2 基金赎回流程」与问句也有 4 个字连续重合,
   无条件采纳会把"操作步骤"顶掉客户真正问的"到账时间"。
3. 重叠门槛取 6 字而不是 4 字:"基金赎回"这类业务动作词正好 4 字,会骗过 4 字门槛;
   产品名("南方季季盈90天")更长,6 字能同时保住产品名、挡住动作词。

未改动任何转人工判定阈值;VECTOR_CONFIDENT_SCORE 与 Agent 的 HIGH_SCORE 由单测锁定一致,
避免两处各自漂移出"谁都答不出来"的死角。

验证:季季盈类问法由"转人工"变为正确答出,基金赎回问法仍答 FAQ-0016;
ruff / mypy(113 文件) / 453 unit+contract / 29 integration 全绿。
This commit is contained in:
2026-09-10 22:15:50 +08:00
parent 07a922fa36
commit 570493e71c
2 changed files with 296 additions and 0 deletions
+127
View File
@@ -25,6 +25,30 @@ OUTPUT_FIELDS = (
"tags", "doc_no", "version", "source_file", "visibility",
)
# 关键字精确召回:客户问到产品名这类**专有名词**时,字面匹配比相似度更确定。
#
# 为什么需要:专有名词在 embedding 空间里不占优势。实测 160 条知识,客户问
# 「季季盈90天的起投金额是多少」向量 top1 = PROD-007 仅 0.6291(够不到 0.75 的硬门槛,
# 只能靠与次优的差值勉强通过);而同一次查询用 `title like "%季季盈%"` 是**唯一命中**
# PROD-007。既然客户已经明确说出了产品名,就不该再让相似度去赌。
KEYWORD_MATCH_SCORE = 1.0 # 字面命中的确定分,压过任何相似度分
# 与标题的最长公共子串至少要这么长,才算"客户确切提到了它"。
# 为什么不是 4:实测客户问「基金赎回几天到账」,与手册章节标题「5.2 基金赎回流程」
# 正好有 4 个字连续重合——但"基金赎回"是业务动作词,不是专有名词。产品名
# ("南方季季盈90天")通常比业务动作词长,取 6 字能同时保住产品名、挡住动作词。
MIN_KEYWORD_OVERLAP = 6
KEYWORD_SCAN_LIMIT = 500 # 一次最多扫描多少条标题;知识库到上千块后应改为倒排索引
# 字面匹配只在向量结果**不够确定**时介入。
#
# 这条门禁是实测逼出来的:客户问「基金赎回几天到账」,向量已给出正确答案
# (FAQ-0016「基金赎回到账需要多长时间?」得 0.8060),但产品手册里的章节标题
# 「五、申购赎回操作指南」与问句也有 6 个字连续重合,无条件字面匹配会把它顶到第一,
# 用操作步骤替换掉客户真正问的到账时间。所以字面匹配是**兜底**,不是优先。
#
# 门槛必须与客服 Agent 的高置信门槛一致,tests/unit 有断言锁定两者相等。
VECTOR_CONFIDENT_SCORE = 0.75
class VectorSearcher(Protocol):
"""只依赖用到的两个方法,便于测试替身注入。"""
@@ -138,6 +162,12 @@ class KnowledgeSearchService:
continue
collected.extend(self._parse(raw, collection))
# 第二路召回:客户确切说出的产品名按字面取回。只在向量结果不够确定时介入,
# 否则会把向量已经答对的题顶掉(见 VECTOR_CONFIDENT_SCORE 的说明)。
best_vector_score = max((hit.score for hit in collected), default=0.0)
if best_vector_score < VECTOR_CONFIDENT_SCORE:
collected.extend(self._product_keyword_hits(client, targets, text, expression))
if not collected and failures == len(targets) and targets:
# 三个集合全查失败:是链路故障,不是"知识库里没有"
return KnowledgeSearchOutcome(
@@ -160,6 +190,103 @@ class KnowledgeSearchService:
searched_collections=targets,
)
# ---- 关键字精确召回(字面匹配) ----
@staticmethod
def _overlap_length(left: str, right: str) -> int:
"""两段文本的最长公共子串长度。
用最长公共子串而不是分词:知识库标题是「南方科技有限公司 个人理财产品手册 ·
2.1 南方季季盈90天」这种没有词边界的长串,任何分词器都得先养一份自定义词典,
而词典会和手册一起过期。子串匹配不需要词典,手册改版也不会失效。
"""
if not left or not right:
return 0
previous = [0] * (len(right) + 1)
best = 0
for i in range(1, len(left) + 1):
current = [0] * (len(right) + 1)
for j in range(1, len(right) + 1):
if left[i - 1] == right[j - 1]:
current[j] = previous[j - 1] + 1
if current[j] > best:
best = current[j]
previous = current
return best
def _product_keyword_hits(
self, client: Any, targets: Sequence[str], query: str, expression: str | None
) -> list[KnowledgeHit]:
"""客户确切说出某个产品名时,按字面把它取出来(兜底用)。
两处边界都是实测逼出来的:
1. **只对产品集合做**。客户问「季季盈90天的起投金额是多少」,与通用 FAQ 标题
「基金起投金额是多少?」的最长公共子串有 7 个字;若把 FAQ 也纳入字面匹配,
它会和真正的产品块一起拿到满分、差距归零,反而又退化成"转人工"。
2. **命中不能无条件优先**。产品手册的标题里不只有产品名,还有章节名:客户问
「基金赎回几天到账」时,「五、申购赎回操作指南」那一块与问句也有 6 个字连续
重合。所以本方法产出什么是一回事,是否采用由调用方按"向量是否已经足够确定"
决定(见 VECTOR_CONFIDENT_SCORE)。
失败一律返回空:关键字路径是**增益**,它坏了不能让整个检索变成故障。
"""
lookup = getattr(client, "query", None)
if lookup is None or PRODUCT_COLLECTION not in targets:
return [] # 客户端不支持标量查询(如测试替身),或本次没查产品集合
try:
rows = lookup(
collection_name=PRODUCT_COLLECTION,
filter=expression,
output_fields=["doc_id", "title"],
limit=KEYWORD_SCAN_LIMIT,
)
except Exception:
return []
matched_ids = [
str(row.get("doc_id") or "")
for row in (rows if isinstance(rows, list) else [])
if isinstance(row, dict)
and self._overlap_length(query, str(row.get("title") or "")) >= MIN_KEYWORD_OVERLAP
]
matched_ids = [doc_id for doc_id in matched_ids if doc_id]
if not matched_ids:
return []
quoted = ", ".join(f'"{doc_id}"' for doc_id in matched_ids)
try:
details = lookup(
collection_name=PRODUCT_COLLECTION,
filter=f"doc_id in [{quoted}]",
output_fields=list(OUTPUT_FIELDS),
limit=len(matched_ids),
)
except Exception:
return []
hits: list[KnowledgeHit] = []
for row in details if isinstance(details, list) else []:
if not isinstance(row, dict):
continue
content = str(row.get("content") or "")
if not content:
continue
hits.append(KnowledgeHit(
doc_id=str(row.get("doc_id") or ""),
title=str(row.get("title") or ""),
content=content,
score=KEYWORD_MATCH_SCORE,
source_file=str(row.get("source_file") or ""),
visibility=str(row.get("visibility") or "public"),
doc_no=str(row.get("doc_no") or ""),
version=str(row.get("version") or ""),
chapter=str(row.get("chapter") or ""),
))
# 一个产品名可能命中多个块(产品概览、费率表各一块):全都保留,
# 是不是"只有一个明确候选"交给上层的 gap 判定,这里不替它做选择。
return hits
@staticmethod
def _parse(raw: Any, collection: str) -> list[KnowledgeHit]:
"""把 pymilvus 的 `[[{id, distance, entity}]]` 折叠成命中列表(纯函数,不抛异常)。"""
@@ -0,0 +1,169 @@
"""知识检索的「字面兜底召回」单元测试。
用例全部来自实测,不是设想:
1. 客户问「季季盈90天的起投金额是多少」,纯向量 top1 只有 0.6291,够不到 0.75 门槛;
而它与产品块标题的最长公共子串是 6 个字(就是产品名本身),字面匹配能唯一锁定。
2. 客户问「基金赎回几天到账」,纯向量 top1 是 0.8060 的**正确答案**,但它与手册章节
标题「5.2 基金赎回流程」也有 4 个字连续重合——所以字面匹配必须同时满足
"重叠够长(6 字)"与"向量不够确定"两个条件,否则会把已经答对的题顶掉。
"""
from typing import Any
import pytest
from app.service.knowledge_search_service import (
MIN_KEYWORD_OVERLAP,
PRODUCT_COLLECTION,
VECTOR_CONFIDENT_SCORE,
KnowledgeSearchService,
)
PRODUCT_TITLE = "南方科技有限公司 个人理财产品手册 · 二、银行理财产品 · 2.1 南方季季盈90天"
FLOW_TITLE = "南方科技有限公司 个人理财产品手册 · 五、申购赎回操作流程 · 5.2 基金赎回流程"
async def _embed(text: str) -> list[float]:
return [0.1, 0.2, 0.3]
def _row(doc_id: str, title: str, score: float, content: str = "正文") -> dict[str, Any]:
"""构造 pymilvus 的 `{distance, entity}` 行(`search()` 的返回形状)。"""
return {
"distance": score,
"entity": {
"doc_id": doc_id, "title": title, "content": content,
"source_file": "x.md", "visibility": "public", "doc_no": "",
"version": "", "chapter": "",
},
}
def _flat(doc_id: str, title: str, content: str = "正文") -> dict[str, Any]:
"""构造 pymilvus 的扁平行(`query()` 的返回形状,字段直接挂在顶层)。
与 `search()` 的 `{distance, entity}` 不是同一种形状,所以这里刻意分成两个构造函数:
本文件第一版把 `_row` 用在了标量查询上,于是业务代码解析出空 content 并跳过它,
测试红了一次——是测试写错,不是业务代码有问题(业务代码"没有正文就不作答"是对的)。
"""
return {
"doc_id": doc_id, "title": title, "content": content,
"source_file": "x.md", "visibility": "public", "doc_no": "",
"version": "", "chapter": "",
}
class FakeClient:
"""向量检索与标量查询的替身;记录 query 调用次数以便断言"有没有走字面匹配"。"""
def __init__(
self,
vector_rows: list[dict[str, Any]],
product_titles: list[tuple[str, str]],
product_rows: dict[str, dict[str, Any]],
) -> None:
self._vector_rows = vector_rows
self._product_titles = product_titles
self._product_rows = product_rows
self.query_calls = 0
def search(self, **kwargs: Any) -> Any:
return [self._vector_rows]
def query(self, **kwargs: Any) -> Any:
self.query_calls += 1
if "content" not in kwargs.get("output_fields", []):
return [{"doc_id": d, "title": t} for d, t in self._product_titles]
pattern = str(kwargs.get("filter") or "")
return [row for doc_id, row in self._product_rows.items() if doc_id in pattern]
def _service(client: FakeClient) -> KnowledgeSearchService:
return KnowledgeSearchService(client, _embed, collections=[PRODUCT_COLLECTION])
def test_overlap_length_matches_measured_facts() -> None:
"""锁定实测到的两段重叠长度,防止有人把阈值当成"拍脑袋的数"随手改掉。"""
overlap = KnowledgeSearchService._overlap_length
assert overlap("季季盈90天的起投金额是多少", PRODUCT_TITLE) == 6
assert overlap("基金赎回几天到账", FLOW_TITLE) == 4
assert overlap("客户想了解开户材料", PRODUCT_TITLE) == 0
assert overlap("", PRODUCT_TITLE) == 0
# 4 字的业务动作词必须被 6 字门槛挡在外面
assert overlap("基金赎回几天到账", FLOW_TITLE) < MIN_KEYWORD_OVERLAP
def test_gate_value_matches_agent_high_score() -> None:
"""检索层的"向量够确定了"门槛与客服 Agent 的高置信门槛必须一致。
两处各自漂移的话,会出现"Agent 认为不够确定要转人工,检索层却认为够确定不给兜底"
这种谁都答不出来的死角。
"""
from app.service.agent.implementations.customer_service import HIGH_SCORE
assert VECTOR_CONFIDENT_SCORE == HIGH_SCORE
@pytest.mark.asyncio
async def test_literal_match_rescues_weak_vector_result() -> None:
"""向量给不出高置信答案时,字面命中的产品块以确定分胜出(季季盈实测)。"""
client = FakeClient(
vector_rows=[_row("PROD-901", "某无关章节", 0.62)],
product_titles=[("PROD-007", PRODUCT_TITLE)],
product_rows={"PROD-007": _flat("PROD-007", PRODUCT_TITLE, "产品正文")},
)
outcome = await _service(client).search("季季盈90天的起投金额是多少")
assert outcome.hits[0].doc_id == "PROD-007"
assert outcome.hits[0].score == 1.0
assert client.query_calls == 2 # 先取标题表,再取命中块的正文
@pytest.mark.asyncio
async def test_literal_match_stays_out_when_vector_is_confident() -> None:
"""向量已给出高置信答案时,字面匹配不得介入("基金赎回流程"实测反例)。"""
client = FakeClient(
vector_rows=[_row("FAQ-0016", "基金赎回到账需要多长时间?", 0.806)],
product_titles=[("PROD-015", FLOW_TITLE)],
product_rows={"PROD-015": _flat("PROD-015", FLOW_TITLE, "操作步骤")},
)
outcome = await _service(client).search("基金赎回几天到账")
assert outcome.hits[0].doc_id == "FAQ-0016"
assert client.query_calls == 0 # 一次标量查询都不该发生
@pytest.mark.asyncio
async def test_client_without_query_support_degrades_silently() -> None:
"""客户端(如精简替身)不支持标量查询时,字面匹配静默跳过,不影响向量召回。"""
class NoQueryClient:
def search(self, **kwargs: Any) -> Any:
return [[_row("PROD-007", PRODUCT_TITLE, 0.62)]]
outcome = await KnowledgeSearchService(
NoQueryClient(), _embed, collections=[PRODUCT_COLLECTION]
).search("季季盈90天的起投金额是多少")
assert len(outcome.hits) == 1
assert outcome.degraded is False
@pytest.mark.asyncio
async def test_literal_lookup_failure_does_not_break_search() -> None:
"""标量查询抛异常时字面匹配返回空,向量结果照常返回。"""
class BrokenQueryClient(FakeClient):
def query(self, **kwargs: Any) -> Any:
raise RuntimeError("milvus 标量查询挂了")
client = BrokenQueryClient(
vector_rows=[_row("PROD-007", PRODUCT_TITLE, 0.62)],
product_titles=[("PROD-007", PRODUCT_TITLE)],
product_rows={},
)
outcome = await _service(client).search("季季盈90天的起投金额是多少")
assert [hit.doc_id for hit in outcome.hits] == ["PROD-007"]
assert outcome.degraded is False