教育知识中台

项目背景
面向教育业务中大量重复的课程咨询与知识查询场景，独立设计并落地一套基于 RAG（检索增强生成）的课程智能问答系统，将分散的课程资料、教务说明、知识点文档统一接入知识库，用大模型替代人工检索与解答，降低客服与教务的重复问答压力。

技术栈：Python + LangChain + Chroma + FastAPI + 通义千问 + RAGFlow + RAGAS

核心工作与实现

检索链路搭建：基于 LangChain 编排 RAG 全流程（文档加载、分块、向量化、检索、上下文组装、生成），以 Chroma 作为向量库承载语义检索。针对纯向量检索在专有名词、课程编号等精确词上召回不稳的问题，叠加 BM25 关键词检索构建混合召回，并引入重排序（Rerank）对候选片段二次打分。混合召回后整体召回率提升约 15 个百分点，基础问答准确率达到 80%。

多轮对话记忆模块：为支撑连续追问，设计"滑动窗口 + 摘要压缩"的记忆方案——近期对话原文保留以维持指代连贯，较早轮次压缩为摘要注入上下文，在有限上下文窗口内兼顾长程记忆与 Token 成本。同时将单次问答响应稳定控制在 2.5 秒以内。

全链路量化评估与调优：引入 RAGAS 框架对检索质量与生成质量做端到端量化评估，围绕 chunk 大小、分块重叠比例、Rerank 阈值等关键参数系统性调优。调优后忠实度（Faithfulness）从 0.72 提升至 0.89，问答准确率从 80% 提升至 92%，有效抑制了大模型的幻觉与答非所问。

服务化交付：通过 FastAPI 将问答能力封装为标准 RESTful 接口，对接前端与业务系统，支撑线上稳定调用。

项目成果：问答准确率 80%→92%，召回率提升约 15 个百分点，忠实度 0.72→0.89，单次响应控制在 2.5 秒内，形成可复用的课程知识问答底座。