RAG 引擎与自动化评测平台
案例介绍
区别于只交付“一个能问答的系统”，本项目交付的是“一个能告诉你哪里坏了的系统”：通过全链路 Trace 记录每一次检索的候选池与最终入选结果，构建归因决策树，把 badcase 自动定位到「分块／召回／重排／生成」四个环节之一，使 RAG 应用上线后的效果优化从“凭经验试”变为“按数据改”。
系统支持私有化部署与内网离线交付，可直接作为企业知识库问答的应用底座，适配电力、政务、制造等对数据安全有要求的行业场景。
独立开发，从架构设计、编码、评测集构建到实验验证全部由本人完成：
应用服务化交付：FastAPI 提供 SSE 流式问答接口，答案强制携带文档来源与原文段落定位；Redis 语义缓存（0.93 相似度阈值）降低高频问题延迟；Docker Compose 一键部署，支持内网离线环境整包交付
检索链路工程：父子分块（子块 384 字保召回精度、回溯父块 1536 字保上下文完整）+ 向量与 BM25 双路召回 + RRF 融合 + bge-reranker 精排；4 种分块策略与 3 种检索模式配置化切换；增量更新基于内容 hash 比对，改一份文档无需全量重建索引
Agentic 能力：Query Router 对问题做 0/1/多跳分类并按需改写 query，多跳问题走 ReAct 循环（检索→证据充分性判断→改写→再检索），把高成本的多跳能力只用在需要的地方
评测与归因（核心）：从语料反向生成带 gold 标注的评测集（含多跳题与拒答题），基于 LLM-as-Judge 计算忠实度、答案相关性、上下文召回率/精确率；基于全链路 Trace 构建归因决策树，并用故障注入构建已知根因的验证集检验归因准确率
RAG 引擎与自动化评测平台
案例介绍
面向企业级 RAG 应用落地中“效果不可量化、问题无法定位”的核心痛点，从零独立完成的可评测、可归因 Agentic RAG 引擎。
区别于只交付“一个能问答的系统”，本项目交付的是“一个能告诉你哪里坏了的系统”：通过全链路 Trace 记录每一次检索的候选池与最终入选结果，构建归因决策树，把 badcase 自动定位到「分块／召回／重排／生成」四个环节之一，使 RAG 应用上线后的效果优化从“凭经验试”变为“按数据改”。
系统支持私有化部署与内网离线交付，可直接作为企业知识库问答的应用底座，适配电力、政务、制造等对数据安全有要求的行业场景。
独立开发，从架构设计、编码、评测集构建到实验验证全部由本人完成：
应用服务化交付：FastAPI 提供 SSE 流式问答接口，答案强制携带文档来源与原文段落定位；Redis 语义缓存（0.93 相似度阈值）降低高频问题延迟；Docker Compose 一键部署，支持内网离线环境整包交付
检索链路工程：父子分块（子块 384 字保召回精度、回溯父块 1536 字保上下文完整）+ 向量与 BM25 双路召回 + RRF 融合 + bge-reranker 精排；4 种分块策略与 3 种检索模式配置化切换；增量更新基于内容 hash 比对，改一份文档无需全量重建索引
Agentic 能力：Query Router 对问题做 0/1/多跳分类并按需改写 query，多跳问题走 ReAct 循环（检索→证据充分性判断→改写→再检索），把高成本的多跳能力只用在需要的地方
评测与归因（核心）：从语料反向生成带 gold 标注的评测集（含多跳题与拒答题），基于 LLM-as-Judge 计算忠实度、答案相关性、上下文召回率/精确率；基于全链路 Trace 构建归因决策树，并用故障注入构建已知根因的验证集检验归因准确率
案例图片
相似案例推荐
-
杉问
项目三：杉问 AI 引导式学习平台（独立开发） 技术栈：S
-
山达健身
项目二：山达健身会员管理系统（独立开发） 技术栈：Spri
-
AI应用_付费接口_云端部署_全链路
这是一个本人独立开发的付费 AI 应用，实现了「用户在线付费
-
其他
做运维的，具备扎实的理论基础和快速学习能力。深耕运维领域多年
-
基于多智能体辩论的跨行业探索引擎
本项目旨在试图用AI来解决人类的创新性问题，独立设计并实现了
-
AI多智能体路由与API调度系统
本项目是基于Python开发的AI应用后端系统，专注于多模型
1小时精推人才
需求方专属客服，免费梳理匹配
