2 Commits

Include renames

Author	SHA1	Message	Date
lzf_0626	06d0f9f231	知识库检索质量修复：「风险评估问卷怎么评分」从必然转人工 → 直接答 ... ## 根因（两个问题叠加） 1. 灌库脚本 tools/build_knowledge_chunks.py 的 expand_table_rows() 用「第一个非分隔行」 当表头且 header 从不重置 → 同一节里第 2 张表格起**表头被当成数据行**。 《个人投资者适当性管理指南》第九条下有 16 张问卷表格 → 15 条正文逐字相同的 19 字零信息量碎片；同类共 19 条。 2. 检索层去重只按 doc_id，接不住「同一父块的兄弟子块」（POL-AST-009-07 与 -12 是 不同 doc_id、同一父块）→ 15 条碎片全留在候选里互相打平，把 top1/次优差压到 0.002， 而客服判定要求中置信必须领先 ≥0.07（MIN_GAP）→ 恒判并列转人工。 ## 为什么没有重灌知识库 用 Milvus 现成向量离线复算四种做法（同一问句、同一批向量）： 现状 gap 0.002 转人工 只修 bug（=重灌全部收益） gap 0.001 仍转人工，且更糟 只加父块归并 gap 0.093 可答，但答案是 19 字碎片 两处都改 gap 0.076 可答且有内容 原因：第九条被切成 94 块，删掉 15 条表头碎片后，剩下 79 条数据行碎片依然互相打平。 重灌解决不了，却要停机 3–10 分钟并丢掉上传路径的内容（含 R1–R5 那条）。 ## 改了什么 ① app/service/knowledge_search_service.py：新增 _merge_sibling_subblocks() 同一父块的兄弟子块只保留最高分那条；父块自身与 FAQ/政策这类本身就是细粒度答案 的块一律不合并（它们之间打平是真的多个候选）。6 个单测守着。 被丢掉的只是同节其它细节，本节完整内容由 _parent_hits 带回的父块兜底。 ② tools/build_knowledge_chunks.py：修表头识别（markdown 表格只有紧邻 |---| 之前的 那一行才是表头）+ 新增 assert_no_duplicate_contents() 自带守卫 —— 正文完全相同的块必须为 0，否则中止且不写 jsonl。该脚本是一次性灌库脚本、 原来没有单测覆盖，这正是该 bug 活下来的原因，所以守卫放在它自己的执行路径上。 块数 636 → 617；正文完全相同的组 1 组 15 块 → 0 组。 负向验证：换回旧逻辑跑，退出码 1 并报出那 15 份碎片，且未覆盖 jsonl。 ③ tools/drop_table_header_vectors.py：清掉已灌进 Milvus 的 19 条历史碎片。 判定可复现：语义 id（非纯数字）且正文不在修正后产物里。只动语义 id 是因为 纯数字 id 来自上传路径、本来就不在 jsonl 里（实测冒烟 A 线的 top1 就是数字 id 179）； 不按长度判是因为短块本身是设计的一部分（「评审标准：管理人资质 15%」13 字是有效答案）。 实删 policy 16 + product 3，faq 0；dry-run 逐条核对过，全部是「标签 + 表头词」形态。 这是唯一一次绕过 Outbox 的删除：事件消费侧要回读 MySQL 行，而这批是无元数据种子向量。 ## 验证 真实链路 10 问句回归 10/10 与预期一致，0 个变坏： 风险评估问卷怎么评分 0.7156 gap 0.1473 → 答（原 0.002 转人工），top1 变成真实答案行 场内基金的管理费率 0.8114 gap 0.0977 → 直接答（冒烟 A 线） 南方季季盈90天起投金额 0.8631 gap 0.3387 → 直接答（行级子块精确命中能力未受影响） 今天天气怎么样 仍正确转人工 端到端：ask_customer_service.py「风险评估问卷怎么评分」→ 直接答，返回完整评分标准； e2e_smoke_test.py 44/44（含 A4 知识库覆盖未转人工）； pytest tests/unit tests/contract 1506 passed / 0 failed； 对账 重复正文 15 → 0，孤儿/死向量/缺向量仍全为 0。 （冒烟首跑 42/43 的唯一失败 B6 买入下单 503 是行情过期，补刷后 44/44，与本次无关。） ## 顺带查明 Milvus 的 delete() 是标记删除，约 1 秒后才在 query/search 中不可见（隔离临时集合实测： 删完立即查仍看得到，+1s 起消失）。清理工具第一版"删完立刻复核"因此谎报 19 条残留， 已改为轮询复核并把文案改成实测依据。get_collection_stats().row_count 在删除后仍显示旧值， 这也是对账工具坚持用 query 实际行数的原因。 ## 文档 新增 docs/演示用/知识库检索质量修复-2026-09-15.md（根因、四方案对比、改动、全部证据）； 并对 docs/演示用/知识库向量对账与清理-2026-09-15.md 做更正 —— 451 条短块里 429 条是 设计内的有效数据行、只有 19 条是 bug 产物；"按长度合并短块 + 重建重灌"的建议已被实测否决。 ## 仍未解决（记录在案） 「高净值客户有什么权益」gap 0.0075 仍转人工：根因是不同父块之间同族内容打平 （金卡 vs 白金权益），父块归并救不了也不该救，要从内容侧或业务口径入手。 knowledge/_chunks.jsonl（新 617 块、编号连续）与 Milvus（旧编号、含 19 个空洞）目前不一致； 不重灌无影响，但下次重灌必须 drop 集合重建而不是 upsert，否则两套编号会共存。	2026-09-15 09:31:57 +08:00
lzf_0626	58b73ff594	知识库三项收口：向量-元数据对账 + 导入侧幂等 + 过期行向量清理入口 ... ① 只读对账 tools/reconcile_knowledge_vectors.py 按集合列出：孤儿向量 / 死向量 / 缺向量 / 重复正文 / 低信息量碎片 / 纯标题。 关键口径：非数字 id（FAQ-0013 这类语义 id）是灌库脚本有意写进 Milvus 的， 单独归类、不建议删；向量数取自 query 实际行数，不用 get_collection_stats （后者含已软删未 compaction 的行）。 ② 导入侧幂等：同 source_file + 集合重传 = 覆盖上一版 app/service/knowledge_ingest_service.py 新增 _supersede_previous_version： 把上一版 active 行置为 expired，并逐行投 knowledge.vector_delete_requested （与本次入库同事务）。写入侧只认 active 而检索侧不看 status，旧向量不清掉 会继续参与排序、和同题活块抢答。 顺带修掉一个真 bug：改为先判 chunks 非空再下线 —— 否则传一份解析出 0 块的 文档会把上一版下架、新版一行没写，这份文档在检索侧凭空消失。 ③ 清理入口：POST /api/v1/knowledge/{knowledge_id}/vector-cleanups 给历史上"被别的途径置为 expired、从未投过删除事件"的行补投向量清理。 DELETE 对已过期行返回 404 的口径保持不变（重复删除静默成功会让调用方 分不清"这次真下线了"和"早就过期了"），因此新开一个语义明确的端点： 不存在 404 / 仍是 active 422（请改用 DELETE）/ 已 expired 200 并回传事件名。 配套 tools/purge_expired_knowledge_vectors.py（默认 dry-run）批量驱动该端点。 文档：docs/演示用/知识库向量对账与清理-2026-09-15.md（含真机验证输出）， 并对 docs/演示用/知识库问答诊断-2026-09-14.md 做两处更正 —— 实测孤儿向量 0 条、 那 175 行历史副本从来没有向量（不参与排序），当时的差额来自 get_collection_stats 把已软删行算进去。 新发现（未修，需业务拍板）：661 条向量里 451 条正文不到 40 字，是灌库时把 markdown 表格/标题切碎产生的碎片。「风险评估问卷怎么评分」实测前 4 名是 4 条 一模一样的 19 字碎片（gap 0.0024），真正 2828 字的答案排第 5 → 客服必然转人工。 属灌库切分缺陷，补内容救不了，也不应靠放宽 MIN_GAP 解决。 验证：pytest tests/unit tests/contract → 1500 passed, 2 skipped, 0 failed； mypy app → 3 个错全在组员文件中（与本次改动无关）；ruff 本次改动文件 0 错。 真机端到端：重传 → 旧行 expired + 删除事件 published + 旧向量已从 Milvus 删除； 两个问句回归仍正常回答（r1到r5 gap 0.0766；申购确认 0.8453）。	2026-09-15 09:06:57 +08:00