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。
73 lines
1.7 KiB
JSON
73 lines
1.7 KiB
JSON
{
|
|
"collections": {
|
|
"fin_faq_collection": {
|
|
"semantic_id_vectors": 125,
|
|
"doomed": 0,
|
|
"groups": []
|
|
},
|
|
"fin_policy_collection": {
|
|
"semantic_id_vectors": 297,
|
|
"doomed": 16,
|
|
"groups": [
|
|
{
|
|
"content": "第九条 问卷内容及评分标准：选项 分值",
|
|
"count": 15,
|
|
"doc_ids": [
|
|
"POL-AST-009-07",
|
|
"POL-AST-009-12",
|
|
"POL-AST-009-19",
|
|
"POL-AST-009-27",
|
|
"POL-AST-009-32",
|
|
"POL-AST-009-39",
|
|
"POL-AST-009-45",
|
|
"POL-AST-009-51",
|
|
"POL-AST-009-57",
|
|
"POL-AST-009-63",
|
|
"POL-AST-009-69",
|
|
"POL-AST-009-74",
|
|
"POL-AST-009-79",
|
|
"POL-AST-009-84",
|
|
"POL-AST-009-89"
|
|
]
|
|
},
|
|
{
|
|
"content": "评级方法：指标 权重",
|
|
"count": 1,
|
|
"doc_ids": [
|
|
"POL-SPM-012-05"
|
|
]
|
|
}
|
|
]
|
|
},
|
|
"fin_product_collection": {
|
|
"semantic_id_vectors": 214,
|
|
"doomed": 3,
|
|
"groups": [
|
|
{
|
|
"content": "南方科技创新股票：行业 占比",
|
|
"count": 1,
|
|
"doc_ids": [
|
|
"PROD-004-16"
|
|
]
|
|
},
|
|
{
|
|
"content": "南方全球精选QDII：地区 占比",
|
|
"count": 1,
|
|
"doc_ids": [
|
|
"PROD-005-14"
|
|
]
|
|
},
|
|
{
|
|
"content": "南方传世增额终身寿险：保单年度 现金价值",
|
|
"count": 1,
|
|
"doc_ids": [
|
|
"PROD-011-11"
|
|
]
|
|
}
|
|
]
|
|
}
|
|
},
|
|
"checked_at": "2026-09-15T01:27:31.818977+00:00",
|
|
"deleted": 19,
|
|
"applied": true
|
|
} |