4.2 整线贯通：知识库问答系统实战

4.2 整线贯通：知识库问答系统实战

本节摘要：把前三章零件总装成一条真实可用的知识库问答产线。案例背景是某袜子品牌的内部帮助台，完整走一遍背景分析、五步装配、质检调优、上线解读与变式扩展，是全教程的合成大练兵。

案例：品牌帮助台的诞生

背景。一家百人规模的袜子品牌，客服三人组每天重复回答退换货、洗护、物流三类问题，答复口径经常不一致；产品手册躺在共享盘里没人翻。目标：一条"文档进、答案出"的产线，答案必须忠于手册、说不知道就不知道、多轮追问不断档。口径约束：预算有限，优先零基础设施方案；答案错比不答严重，宁可保守。

五步总装台

操作：五步装配实录

第一步备料。手册三十页加 FAQ 四十题，统一转成 UTF-8 文本文件，按主题拆成五个文件（退换、洗护、物流、尺码、会员）。这一步没有代码，却是质量地基——垃圾进垃圾出在任何后续步骤都无法挽回。

第二步建库，供料线三连（2.6 到 2.8 节零件）：

from langchain_community.document_loaders import DirectoryLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma

# 加载：目录整批进料 每文件一主题
docs = DirectoryLoader("./kb", glob="**/*.txt").load()

# 切分：中文手册经验值 块300重叠40
chunks = RecursiveCharacterTextSplitter(
    chunk_size=300, chunk_overlap=40).split_documents(docs)

# 入库：持久化到本地目录 只建一次
vs = Chroma.from_documents(
    chunks, OpenAIEmbeddings(), persist_directory="kb_store")
print("入库块数：", len(chunks))
# 输出示例：入库块数：127
​

第三步装链，主带与供线对接（2.8 节图纸）：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI

retriever = vs.as_retriever(search_kwargs={"k": 3})

def fmt(docs):
    return "\n".join(d.page_content for d in docs)

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是品牌帮助台客服。只依据资料回答，"
               "资料里没有就回答：手册里没有相关内容，"
               "请联系人工客服。"),
    ("human", "资料：\n{ctx}\n\n问题：{q}"),
])

qa_chain = ({"ctx": retriever | fmt, "q": RunnablePassthrough()}
            | prompt
            | ChatOpenAI(temperature=0)
            | StrOutputParser())

print(qa_chain.invoke("定制款能退吗"))
# 输出：定制款不支持退换。
​

第四步加记忆，让"那洗的时候呢"这种追问成立。追问的难点在指代——"那"指的是上一轮的定制款，直接拿去检索会落空，所以要先用模型把追问改写成完整问题再检索：

from langchain_core.runnables import RunnableWithMessageHistory
from langchain_core.chat_history import InMemoryChatMessageHistory

store = {}
def get_history(sid):
    return store.setdefault(sid, InMemoryChatMessageHistory())

multi_turn = RunnableWithMessageHistory(
    qa_chain, get_history, input_messages_key="q",
    history_messages_key="chat_history")

cfg = {"configurable": {"session_id": "u-88"}}
print(multi_turn.invoke({"q": "定制款能退吗"}, config=cfg).content)
print(multi_turn.invoke({"q": "那洗的时候要注意什么"}, config=cfg).content)
# 输出示例：定制款因图案特殊 建议单独冷水手洗 避免串色
​

第五步质检，建二十题考卷（3.3 节标尺）：

exam = [("定制款能退吗", "定制款不支持退换"),
        ("第一次洗注意什么", "冷水手洗浮色正常"),
        ("发货多久到", "江浙沪次日 其余三日内"),
        ("尺码偏大吗", "正常偏码 按平时码选")]

def check(chain) -> float:
    hit = 0
    for q, ref in exam:
        ans = chain.invoke(q if isinstance(chain, object) else q)
        if any(k in ans for k in ref.split("，")):
            hit += 1
    return hit / len(exam)

print("考卷得分：", check(qa_chain))
# 输出示例：考卷得分： 0.75（有一题检索没命中 回炉把k调到3重跑）
​

结果与解读

上线两周的实测数据：三类高频问题的自动应答覆盖约七成，人工工单降四成；延迟中位数 1.9 秒；每日成本不到一杯咖啡钱。解读三条：一，收益大头来自备料与切分这两个"非代码环节"——产线再好，喂料决定上限；二，"说不知道"护栏拦下的约一成提问，全部转人工，口径零事故，验证了保守策略的正确；三，追问改写是体验分水岭，没上它之前用户第二轮满意度明显下滑。

变式扩展：同一套底盘能长出多种形态。加 3.2 节的搜索工具变"手册加全网"混合问答；换托管向量库支撑多实例部署；前面挂 4.1 节的分类小链，把售后与闲聊分流到不同产线；给客服侧加 3.3 节的裁判评估做每日自动巡检。底盘不动，上层任改——这就是装配线视角最直接的回报。

⚠️ 这条产线最隐蔽的故障源是索引过期：手册改了、共享盘的文件换了版本，仓库里还是旧口径。上线时就要定好"文档变更触发重建"的流程纪律，别等客诉发现答的是上季度的政策。

💡 复盘本案例的零件账单：九个工位用上七个，四类改装用上三类——你在此看到的不是新知识，而是编排能力。装配线学到最后，拼的是对零件边界的熟悉度。

产线装好了还躺在你的进程里。下一节解决最后一公里：把它包装成服务、配好密钥与依赖、发布出去让人调用。