专业领域 RAG 链路怎么搭?
医疗法律场景下文档处理、检索策略与评估方法
原题：在医疗或法律等专业领域构建智能助手时，请设计一个基于检索增强生成（RAG）的完整技术链路，涵盖文档处理、索引构建、检索策略、生成优化及评估方法。
评估与监控 · 字节真题
回答与解析
一、文档处理层
核心挑战：专业文档格式复杂（PDF扫描件、表格、手写批注）
- 多模态解析：OCR+LayoutLM提取图文混排内容，保留章节层级结构
- 智能分块：按语义边界切分（条款/病例段落），非固定长度；医疗场景保留"主诉-检查-诊断"完整上下文
- 元数据标注：标注文档来源、时效性、效力等级（如法律条文效力层级）
二、索引构建
双轨索引策略：
| 类型 | 用途 | 实现 |
|---|---|---|
| 稠密向量索引 | 语义匹配 | 领域微调Embedding（如医疗用PubMedBERT） |
| 稀疏关键词索引 | 精准匹配 | BM25 + 医学/法律专业词表 |
- 知识图谱增强：抽取"疾病-症状-药品"或"法条-案例-解释"关系，构建实体链接
三、检索策略
多路召回 → 精排 → 重排：
- 召回层：向量检索（Top-K）+ 关键词检索 + 图谱邻居扩展
- 精排层：Cross-Encoder打分，过滤低相关片段
- 重排层：按时效性、权威性加权；医疗优先临床指南，法律优先生效条文
查询优化：识别专业术语缩写（如"心梗"→"心肌梗死"），扩展同义词
四、生成优化
- Prompt工程：强制引用来源，格式如"根据《XX指南》第X条..."
- 约束解码：禁止生成索引外信息，设置医学安全词表拦截
- 上下文压缩：用LLM对检索结果去冗余，保留关键证据链
五、评估方法
| 维度 | 指标 | 方法 |
|---|---|---|
| 检索质量 | Recall@K、MRR | 人工标注相关性 |
| 生成质量 | 事实准确性 | 对比原文，用NLI模型检测幻觉 |
| 可追溯性 | 引用覆盖率 | 检查生成内容是否都有来源支撑 |
| 业务价值 | 专家满意度 | 领域专家盲评 |
关键取舍：医疗法律对准确性极度敏感，宁可"检索不到"也不"生成错误"，需设置置信度阈值触发人工兜底。
学习建议
建议系统学习该知识点
口语版讲法(约4分钟)
- 一句话定位：本质是专业场景下的可信生成问题
- 文档处理与索引：双轨策略加图谱
- 检索策略：多路召回加精排重排
- 生成优化：强制引用加约束解码
- 评估与取舍：宁缺毋滥，人工兜底
这道题问的是专业领域知识助手怎么落地，本质是在准确性和覆盖度之间找平衡，不能像通用聊天机器人那样瞎编。医疗、法律这种场景，错了就是人命关天或者法律纠纷，所以整个链路都得围绕「可信」来设计。
先说文档处理。专业文档不是排版漂亮的网页，很多是扫描件、表格、手写批注。我会先用 OCR 加 Multimodal 模型，比如 LayoutLM，把图文混排的内容抽成结构化文本，同时保留章节层级，比如病历里的主诉、检查、诊断这些段落。切分的时候不能按固定字数切，那样会把关键上下文切断。我会按语义边界来切，比如法律条文按条款切，医疗按一个完整病例段落切，保证每块信息自包含。另外，我会给每个块打上元数据，比如文档来源、发布时间、效力等级，因为临床指南和专家共识权重不一样。
索引这块，我倾向双轨策略。稠密向量用领域微调的 Embedding，比如医疗用 PubMedBERT，法律用法律语料微调的模型，做语义匹配。同时保留稀疏关键词，用 BM25 配合专业词表，做精准匹配，比如药品名、法条编号这种不能靠语义。这俩互补，向量管模糊搜索，关键词管精确查找。真正落地时，我很少只用一种，都是混合检索。另外，如果领域知识结构性强，我会搭一个 Knowledge Graph，抽取实体关系，比如疾病和症状、药品和禁忌，这样检索时能通过图谱邻居扩展，找到间接相关的片段。
检索策略，我走多路召回加精排再加重排。召回层同时跑向量、关键词和图谱邻居，各取 Top-K，合并去重。然后精排用 Cross-Encoder 打分，把低相关的过滤掉。重排时我会按时效性和权威性加权，比如医疗场景，临床指南排前面，个人经验帖排后面。这里有个坑：查询里经常有专业缩写，比如心梗、PCI，如果不扩展，向量可能匹配不上。所以我会做同义词扩展，把缩写还原成全称。
生成优化是最后防线。我会在 System Prompt 里强制要求引用来源，格式像「根据《XX指南》第X条」这样，不允许无来源输出。同时用约束解码，禁止生成索引里没有的信息，比如设一个医学安全词表，拦截不存在的药品名。另外，检索结果有时很长，我会用 LLM 自己做上下文压缩，去冗余，只保留关键证据链。
评估不能只看常规指标。检索质量我关注 Recall@K，生成质量我关注事实准确性，用 NLI 模型检测有没有 Hallucination。但更重要的业务指标是可追溯性，看生成内容是不是每句话都能追到源文档，还有专家满意度，请领域专家盲评。我的取舍是：宁可回答不了，也不瞎回答。 如果检索结果置信度不够，我会触发人工兜底，而不是硬生成。
说到人工兜底，其实这里有个延伸问题：如果用户问的是多跳问题，比如「这个症状应该用哪种药，但指南里没有直接说，需要从两个段落推理出来」，那简单的 Naive RAG 就不够用了。这时候我会考虑 Agentic RAG 或者 Self-RAG，让模型自己决定要不要再搜、要不要推理。但这个对延迟和稳定性要求高，得根据业务场景权衡。
关键一句:如果用户问的是多跳推理问题，简单的 Naive RAG 不够，需要考虑 Agentic RAG 或 Self-RAG，但延迟和稳定性是风险。
面试官还可能这样问
- 问法 1 · 场景切入
假设我们做一个法律咨询助手，用户上传了一份几十页的合同PDF，里面有扫描件和表格，想让你自动找出其中跟违约责任相关的条款，并给出法律依据。你会怎么设计整个RAG链路来处理这种复杂文档？
- 问法 2 · 层层追问
专业领域的RAG系统，你觉得最关键的是什么？……文档怎么切块才不丢上下文？……检索策略上，光靠向量够吗？……生成时怎么保证不瞎编、还引用来源？
- 问法 3 · 直球架构
设计一个医疗领域的RAG系统，从文档处理、索引构建、检索策略到生成优化和评估，完整链路你怎么搭？重点说说多模态解析、双轨索引、多路召回加精排、以及防止幻觉的生成约束。