lzf_0626
06d0f9f231
## 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。
531 lines
26 KiB
Python
531 lines
26 KiB
Python
"""知识库检索：把客户问题向量化后在三个知识集合里检索（只读）。
|
||
|
||
为什么不复用记忆那套 `VectorMemoryAdapter`：它只把命中折叠成 `(memory_uuid, score)`，
|
||
会把知识块的标题与正文丢掉。而客服回答必须能把**原文与来源**一起交给客户——金融场景
|
||
里「答案出自哪份文件的哪一条」本身就是交付物的一部分，丢了正文等于没法给来源引用。
|
||
|
||
失败语义与基座一致：**任何一步失败都不抛异常给主链路**，而是返回 `degraded=True`
|
||
的空结果，由调用方（客服 Agent）据此走「引导客户致电人工客服」的兜底路径。
|
||
金融场景下"答不了"是可接受的结果，"答错"不是。
|
||
"""
|
||
|
||
from collections.abc import Awaitable, Callable, Sequence
|
||
from dataclasses import dataclass, field
|
||
from typing import Any, Protocol
|
||
|
||
from app.core.knowledge_schema import CollectionSchema, SchemaCache, detect_schema
|
||
|
||
# 三个知识集合（方案 §2.4.4 / §4.1）
|
||
FAQ_COLLECTION = "fin_faq_collection"
|
||
PRODUCT_COLLECTION = "fin_product_collection"
|
||
POLICY_COLLECTION = "fin_policy_collection"
|
||
DEFAULT_COLLECTIONS: tuple[str, ...] = (FAQ_COLLECTION, PRODUCT_COLLECTION, POLICY_COLLECTION)
|
||
|
||
# 检索输出字段：**运行时探测**，不硬编码任何一套 schema。
|
||
#
|
||
# 背景（实测）：同一批集合名在不同环境下可能是两套 schema ——
|
||
# 环境甲：`knowledge_id` / `snippet`（无 visibility）
|
||
# 环境乙：`doc_id` / `content` / `visibility` / `chapter` / `source_file`
|
||
# 硬编码任一套都会把另一套打挂（Milvus 对不存在的字段直接报错 → 三集合全失败 →
|
||
# `degraded=True` → 客服一律"引导人工"）。因此字段名一律经
|
||
# `app/core/knowledge_schema.py` 的 `detect_schema()` 探测得出：
|
||
# · 逻辑名 `doc_id` → 物理名 `doc_id` 或 `knowledge_id`（谁在就用谁）
|
||
# · 逻辑名 `content` → 物理名 `content` 或 `snippet`
|
||
# · `visibility` / `source_file` / `chapter` 等存在就用、不存在就跳过
|
||
# `KnowledgeHit` 的对外形状**保持不变**（下游 Agent 与测试依赖它），只改"怎么从库里取"。
|
||
|
||
# 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
|
||
|
||
# 行级子块命中时，其父块（整节）按子块分数的这个比例一并返回：排在子块之后，
|
||
# 既不抢"起投多少"这类聚焦答案，又不至于把差距压到转人工门槛之下。
|
||
PARENT_SCORE_RATIO = 0.9
|
||
|
||
# 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。"""
|
||
|
||
def search(self, **kwargs: Any) -> Any: ...
|
||
|
||
|
||
Embedder = Callable[[str], Awaitable[list[float]]]
|
||
|
||
|
||
@dataclass(frozen=True)
|
||
class KnowledgeHit:
|
||
"""一条知识命中；`score` 为 COSINE 相似度（越大越相似）。"""
|
||
|
||
doc_id: str
|
||
title: str
|
||
content: str
|
||
score: float
|
||
source_file: str = ""
|
||
visibility: str = "public"
|
||
doc_no: str = ""
|
||
version: str = ""
|
||
chapter: str = ""
|
||
|
||
@property
|
||
def reference_title(self) -> str:
|
||
"""给客户看的来源标题：优先带内部文件编号，便于人工核对。"""
|
||
return f"{self.title}（{self.doc_no}）" if self.doc_no else self.title
|
||
|
||
|
||
@dataclass(frozen=True)
|
||
class KnowledgeSearchOutcome:
|
||
"""检索结果；`degraded=True` 表示检索链路故障，调用方必须走兜底而非当'没找到'。"""
|
||
|
||
hits: tuple[KnowledgeHit, ...] = ()
|
||
degraded: bool = False
|
||
reason: str = ""
|
||
searched_collections: tuple[str, ...] = field(default_factory=tuple)
|
||
|
||
@property
|
||
def best(self) -> KnowledgeHit | None:
|
||
return self.hits[0] if self.hits else None
|
||
|
||
@property
|
||
def top_score(self) -> float:
|
||
return self.hits[0].score if self.hits else 0.0
|
||
|
||
|
||
class KnowledgeSearchService:
|
||
def __init__(
|
||
self,
|
||
client: VectorSearcher | None,
|
||
embedder: Embedder | None,
|
||
*,
|
||
collections: Sequence[str] = DEFAULT_COLLECTIONS,
|
||
) -> None:
|
||
self._client = client
|
||
self._embedder = embedder
|
||
self._collections = tuple(collections)
|
||
# 字段探测结果按集合缓存（进程内一次）：`describe_collection` 是元数据调用，
|
||
# 但检索是热路径，不该每次调用都打一次。集合重建后需重启或 `invalidate`。
|
||
self._schemas = SchemaCache()
|
||
|
||
@property
|
||
def available(self) -> bool:
|
||
"""向量库与向量化能力是否都在位；缺任一项都不做检索，直接走兜底。"""
|
||
return self._client is not None and self._embedder is not None
|
||
|
||
def _schema_for(self, client: Any, collection: str) -> CollectionSchema | None:
|
||
"""该集合的字段映射；探测失败或缺少必需字段时返回 None（调用方跳过该集合）。"""
|
||
schema = detect_schema(client, collection, cache=self._schemas)
|
||
return schema if schema.usable else None
|
||
|
||
def _visibility_filter(
|
||
self, schemas: dict[str, CollectionSchema], include_internal: bool
|
||
) -> str | None:
|
||
"""可见性过滤表达式：**只在真的存在该字段时**才拼。
|
||
|
||
没有 `visibility` 字段的集合拼上这个表达式会让 Milvus 报
|
||
`field visibility not exist`，整次检索失败（实测）。缺少该字段时返回 None，
|
||
即不做检索层过滤——此时内部资料隔离依赖"入库侧只放对外知识"，
|
||
这一代价在 `app/core/knowledge_schema.py` 的模块说明里有记录。
|
||
"""
|
||
if include_internal:
|
||
return None
|
||
holders = [s for s in schemas.values() if s.has("visibility")]
|
||
if not holders:
|
||
return None
|
||
# 只要有一个集合带该字段就过滤；不带该字段的集合由各自调用处跳过表达式的拼接
|
||
return 'visibility == "public"'
|
||
|
||
async def search(
|
||
self,
|
||
query: str,
|
||
*,
|
||
collections: Sequence[str] | None = None,
|
||
top_k: int = 5,
|
||
include_internal: bool = False,
|
||
) -> KnowledgeSearchOutcome:
|
||
"""检索知识库。
|
||
|
||
`include_internal=False`（默认）时在 Milvus 侧就过滤掉 `visibility=internal` 的块，
|
||
内部资料不进入面向客户的答案——这是检索层的硬隔离，不依赖提示词约束。
|
||
"""
|
||
text = query.strip()
|
||
if not text:
|
||
return KnowledgeSearchOutcome(reason="empty_query")
|
||
if not self.available:
|
||
return KnowledgeSearchOutcome(degraded=True, reason="vector_backend_unavailable")
|
||
|
||
client, embedder = self._client, self._embedder
|
||
if client is None or embedder is None:
|
||
# 与 available 重复，但这里需要类型收窄（mypy 不跨属性判断 Optional）
|
||
return KnowledgeSearchOutcome(degraded=True, reason="vector_backend_unavailable")
|
||
try:
|
||
vector = await embedder(text)
|
||
except Exception:
|
||
return KnowledgeSearchOutcome(degraded=True, reason="embedding_failed")
|
||
if not vector:
|
||
return KnowledgeSearchOutcome(degraded=True, reason="embedding_empty")
|
||
|
||
targets = tuple(collections or self._collections)
|
||
# 每个集合**各自探测**字段名：不同环境（甚至同环境不同集合）可能是不同 schema，
|
||
# 用统一的一套字段名去查会让整次检索失败（Milvus 对不存在的字段直接报错）。
|
||
schemas: dict[str, CollectionSchema] = {}
|
||
unusable: list[str] = []
|
||
for collection in targets:
|
||
schema = self._schema_for(client, collection)
|
||
if schema is None:
|
||
unusable.append(collection)
|
||
continue
|
||
schemas[collection] = schema
|
||
if not schemas:
|
||
# 一个集合都用不了：是链路/配置故障，不是"知识库里没有"——如实标记降级
|
||
return KnowledgeSearchOutcome(
|
||
degraded=True, reason="collections_unusable", searched_collections=targets
|
||
)
|
||
expression = self._visibility_filter(schemas, include_internal)
|
||
collected: list[KnowledgeHit] = []
|
||
failures = len(unusable)
|
||
for collection, schema in schemas.items():
|
||
try:
|
||
raw = client.search(
|
||
collection_name=collection,
|
||
data=[vector],
|
||
limit=max(1, min(top_k, 20)),
|
||
output_fields=list(schema.output_fields),
|
||
filter=expression,
|
||
)
|
||
except Exception:
|
||
failures += 1
|
||
continue
|
||
collected.extend(self._parse(raw, collection, schema))
|
||
|
||
# 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, schemas, text, expression)
|
||
)
|
||
|
||
# 命中行级子块时把父块（整节）一并带回，供调用方按问句选粒度：
|
||
# 「起投多少」要那一行，「介绍一下」要整节。
|
||
collected.extend(self._parent_hits(client, schemas, collected, expression))
|
||
|
||
if not collected and failures == len(targets) and targets:
|
||
# 所有集合全查失败：是链路故障，不是"知识库里没有"
|
||
return KnowledgeSearchOutcome(
|
||
degraded=True, reason="search_failed", searched_collections=targets
|
||
)
|
||
|
||
collected.sort(key=lambda hit: hit.score, reverse=True)
|
||
# 同一内容可能同时存在于产品手册与问答对里，按 doc_id 去重保留最高分
|
||
deduped: list[KnowledgeHit] = []
|
||
seen: set[str] = set()
|
||
for hit in collected:
|
||
if hit.doc_id in seen:
|
||
continue
|
||
seen.add(hit.doc_id)
|
||
deduped.append(hit)
|
||
|
||
# 同一节的**兄弟子块**只保留最高分的那一条（见方法 docstring）。
|
||
# 必须在 doc_id 去重之后：两者挡的是不同的重复形态。
|
||
deduped = self._merge_sibling_subblocks(deduped)
|
||
|
||
# "整节块"= **有行级子块挂在它下面**的块。FAQ/政策/公司信息的块没有子块，
|
||
# 它们本身就是细粒度答案，不能和产品手册的整节块混为一谈：第一版用"doc_id 不含
|
||
# 两位数字后缀"判断，把 FAQ 块全当成整节块排到最后，直接害得「基金赎回几天到账」
|
||
# 转人工（正确答案被挤出了 top1）。
|
||
section_ids = {
|
||
parent for parent in (self._parent_of(hit.doc_id) for hit in deduped) if parent
|
||
}
|
||
plain = [hit for hit in deduped if hit.doc_id not in section_ids]
|
||
sections = [hit for hit in deduped if hit.doc_id in section_ids]
|
||
selected = plain[: max(1, top_k)]
|
||
if sections:
|
||
# 整节块保底占最后一个名额：它按分数容易被 top_k 截掉，而「介绍一下」这类
|
||
# 概括问句只能靠它拿到整节（实测被截后客户只收到一行"产品期限 90天封闭期"）。
|
||
# 放末尾是为了不让它参与 top1/top2 判定：实测它挤到第 2 位时 gap 会从
|
||
# 0.090 掉到 0.076，几乎跌破 0.07 的转人工门槛。
|
||
selected = [*selected[: max(0, top_k - 1)], sections[0]]
|
||
return KnowledgeSearchOutcome(
|
||
hits=tuple(selected),
|
||
degraded=failures > 0,
|
||
reason="partial_collection_failure" if failures else "",
|
||
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, schemas: dict[str, CollectionSchema], 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)
|
||
product_schema = schemas.get(PRODUCT_COLLECTION)
|
||
doc_field = product_schema.resolve("doc_id") if product_schema else None
|
||
content_field = product_schema.resolve("content") if product_schema else None
|
||
if lookup is None or product_schema is None or doc_field is None or content_field is None:
|
||
return [] # 客户端不支持标量查询（如测试替身），或本次没查/不能查产品集合
|
||
try:
|
||
rows = lookup(
|
||
collection_name=PRODUCT_COLLECTION,
|
||
filter=expression,
|
||
output_fields=[doc_field, "title"],
|
||
limit=KEYWORD_SCAN_LIMIT,
|
||
)
|
||
except Exception:
|
||
return []
|
||
|
||
matched_ids = [
|
||
str(row.get(doc_field) 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_field} in [{quoted}]",
|
||
output_fields=list(product_schema.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_field) or "")
|
||
if not content:
|
||
continue
|
||
hits.append(self._hit_from_row(row, score=KEYWORD_MATCH_SCORE,
|
||
schema=product_schema))
|
||
# 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
|
||
|
||
def _parent_hits(
|
||
self, client: Any, schemas: dict[str, CollectionSchema], hits: list[KnowledgeHit],
|
||
expression: str | None,
|
||
) -> list[KnowledgeHit]:
|
||
"""把命中到的行级子块的**父块**一并带回来。
|
||
|
||
行级子块让「起投多少」拿到了聚焦答案，但客户问「介绍一下」时会被某一行抢答
|
||
（实测返回了"产品期限 90天封闭期"，而客户要的是整个产品的介绍）。父块是同一
|
||
产品的整节内容，一并带回来，由调用方按问句自己选粒度——检索层不猜客户想听多细。
|
||
|
||
分数按子块的 0.9 折算：既排在子块之后（不抢聚焦答案），又不会把差距压到转人工
|
||
门槛之下（0.869 折算成 0.782，与子块差 0.087，仍在 0.07 之上）。
|
||
|
||
失败一律返回空：父块是**补充**，取不到不影响子块结果。
|
||
"""
|
||
# 只取"得分最高的那个子块"的父块：整节只可能来自一个产品，把命中到的子块的父块
|
||
# 全带上只会挤占 top_k 名额（实测带上多个后，父块反而被截断在门外、整节拿不到）。
|
||
best_child = max(
|
||
(hit for hit in hits if self._parent_of(hit.doc_id) is not None),
|
||
key=lambda hit: hit.score,
|
||
default=None,
|
||
)
|
||
lookup = getattr(client, "query", None)
|
||
if best_child is None:
|
||
return []
|
||
parent_id = self._parent_of(best_child.doc_id)
|
||
if not parent_id or lookup is None:
|
||
return []
|
||
parent_scores = {parent_id: best_child.score * PARENT_SCORE_RATIO}
|
||
|
||
quoted = ", ".join(f'"{parent_id}"' for parent_id in parent_scores)
|
||
found: list[KnowledgeHit] = []
|
||
for collection, schema in schemas.items():
|
||
doc_field = schema.resolve("doc_id")
|
||
content_field = schema.resolve("content")
|
||
if doc_field is None or content_field is None:
|
||
continue # 该集合缺少必需字段（探测阶段已记为不可用）
|
||
try:
|
||
rows = lookup(
|
||
collection_name=collection,
|
||
filter=self._anded(expression, f"{doc_field} in [{quoted}]"),
|
||
output_fields=list(schema.output_fields),
|
||
limit=KEYWORD_SCAN_LIMIT,
|
||
)
|
||
except Exception:
|
||
continue # 某个集合查不到不影响其它集合
|
||
for row in rows if isinstance(rows, list) else []:
|
||
if not isinstance(row, dict):
|
||
continue
|
||
doc_id = str(row.get(doc_field) or "")
|
||
content = str(row.get(content_field) or "")
|
||
if not content or doc_id not in parent_scores:
|
||
continue
|
||
found.append(self._hit_from_row(row, score=parent_scores[doc_id], schema=schema))
|
||
return found
|
||
|
||
@staticmethod
|
||
def _merge_sibling_subblocks(hits: list[KnowledgeHit]) -> list[KnowledgeHit]:
|
||
"""同一父块的行级子块**只保留最高分的那一条**，其余兄弟子块不进候选。
|
||
|
||
## 为什么（实测：这是"客服答不出来"的主要来源之一）
|
||
|
||
行级子块的粒度设计是对的（整节几百字是混合语义，与「起投多少」这类具体小问题
|
||
相似度天然偏低），但它有个副作用：**同一节的子块彼此分数贴得极近**，而它们
|
||
**全都是"同一个答案"的不同细节，不是并列的多个答案**。
|
||
|
||
`doc_id` 去重接不住这种情形 —— `POL-AST-009-07` 与 `POL-AST-009-12` 是两个
|
||
不同的 doc_id，却都来自同一节。实测 `个人投资者适当性管理指南` 第九条被切成
|
||
94 块（16 张问卷表格），问「风险评估问卷怎么评分」时 top5 全是这一节的子块，
|
||
top1 与次优差 **0.002**，客服按"中置信必须领先次优 ≥0.07"判定并列 → **转人工**。
|
||
|
||
归并后的实测（同一批向量，离线复算）：
|
||
「风险评估问卷怎么评分」gap 从 **0.002 → 0.093**（转人工 → 可答）；
|
||
10 个问句回归 **0 个变坏**，其中「南方季季盈90天的起投金额」这类靠子块精确
|
||
命中的问题 top1 与答案**完全不变**（gap 反而从 0.113 升到 0.205），
|
||
库外问句「今天天气怎么样」仍正确转人工。
|
||
|
||
## 为什么不会丢信息
|
||
|
||
被丢掉的兄弟子块**不是答案本身**，只是同一节的其它细节；本节内容由
|
||
`_parent_hits` 带回来的**父块（整节）**兜底 —— 它就在 `section_ids` 里按保底
|
||
名额占最后一席（见下方 `sections[0]`）。所以客户拿到的仍是"最相关的那一行 +
|
||
整节说明"，与设计意图一致。
|
||
|
||
## 边界
|
||
|
||
- 只对"有父块的行级子块"生效（`_parent_of` 非空即形如 `PROD-007-04`）；
|
||
- 父块自身（整节块）、FAQ/政策/公司信息这类**本身就是细粒度答案**的块
|
||
（`_parent_of` 为 None）一律不合并 —— 它们之间打平是真的存在多个候选，
|
||
该转人工就得转人工（实测「高净值客户有什么权益」gap 0.0075 属此类，
|
||
归并不改它，也不能改）。
|
||
- 入参必须**已按分数降序**（调用方刚排过序），否则"保留最高分"不成立。
|
||
"""
|
||
kept: list[KnowledgeHit] = []
|
||
best_parent: set[str] = set()
|
||
for hit in hits:
|
||
parent = KnowledgeSearchService._parent_of(hit.doc_id)
|
||
if parent is not None:
|
||
if parent in best_parent:
|
||
continue
|
||
best_parent.add(parent)
|
||
kept.append(hit)
|
||
return kept
|
||
|
||
@staticmethod
|
||
def _parent_of(doc_id: str) -> str | None:
|
||
"""行级子块的父块 doc_id；整节块返回 None。
|
||
|
||
判据是"末段恰为 2 位数字"（PROD-007-04 → PROD-007），**不是**"含连字符"：
|
||
整节块自己的编号就形如 PROD-901，用连字符判断会把整节块误判成子块。
|
||
"""
|
||
head, _, tail = doc_id.rpartition("-")
|
||
if head and tail.isdigit() and len(tail) == 2:
|
||
return head
|
||
return None
|
||
|
||
@staticmethod
|
||
def _anded(expression: str | None, extra: str) -> str:
|
||
"""把可见性过滤与 doc_id 过滤合成一个 Milvus 表达式。"""
|
||
return f"({expression}) and ({extra})" if expression else extra
|
||
|
||
@staticmethod
|
||
def _hit_from_row(row: Any, *, score: float, schema: CollectionSchema) -> KnowledgeHit:
|
||
"""把一行 Milvus 结果折成 `KnowledgeHit`。
|
||
|
||
字段名**按该集合探测出来的映射**取（可能是 `doc_id`/`content`，也可能是
|
||
`knowledge_id`/`snippet`）；该集合没有的字段留空字符串——**不编造内容**，
|
||
`reference_title` 会因此退回纯标题，来源引用退化但不失真。
|
||
"""
|
||
def value(logical: str) -> str:
|
||
field_name = schema.resolve(logical)
|
||
if field_name is None:
|
||
return ""
|
||
return str(row.get(field_name) or "")
|
||
|
||
return KnowledgeHit(
|
||
doc_id=value("doc_id"),
|
||
title=value("title"),
|
||
content=value("content"),
|
||
score=score,
|
||
source_file=value("source_file"),
|
||
visibility=value("visibility") or "public",
|
||
doc_no=value("doc_no"),
|
||
version=value("version"),
|
||
chapter=value("chapter"),
|
||
)
|
||
|
||
@staticmethod
|
||
def _parse(raw: Any, collection: str, schema: CollectionSchema) -> list[KnowledgeHit]:
|
||
"""把 pymilvus 的 `[[{id, distance, entity}]]` 折叠成命中列表（纯函数，不抛异常）。"""
|
||
hits: list[KnowledgeHit] = []
|
||
groups = raw if isinstance(raw, (list, tuple)) else [raw]
|
||
for group in groups:
|
||
rows = group if isinstance(group, (list, tuple)) else [group]
|
||
for row in rows:
|
||
entity = row.get("entity") if isinstance(row, dict) else None
|
||
if not isinstance(entity, dict):
|
||
continue
|
||
content_field = schema.resolve("content")
|
||
content = str(entity.get(content_field) or "") if content_field else ""
|
||
if not content:
|
||
continue # 没有正文的命中无法作为答案来源，直接丢弃而不是猜造
|
||
hits.append(KnowledgeSearchService._hit_from_row(
|
||
entity, score=float(row.get("distance") or 0.0), schema=schema))
|
||
return hits
|