跳到主要内容

配置检索 Pipeline 与 Agent 问答

本教程是"企业技术文档智能问答系统"系列的第二篇，承接上一篇 配置预处理 Pipeline 与知识库入库。

在上一篇中，我们已经完成了：

  • ✅ 预处理 Pipeline 编排（文本提取 → 智能分段 → 多维度摘要增强 → 向量化存储）
  • ✅ 知识库创建并绑定预处理 RAG Pipeline
  • ✅ 技术文档上传与入库验证

本篇将在此基础上，配置检索 Pipeline 并关联到 Agent，实现端到端的智能问答能力。

💡 前置条件：请确保已完成上一篇教程，知识库中已有处理完成的文档数据。

第一步：配置检索 Pipeline​

检索 Pipeline 决定了用户提问时如何从知识库中召回最相关的内容。由于预处理阶段已生成多维度增强数据（段落摘要、图片描述、表格摘要），检索时可利用这些数据提升召回质量。

创建检索 Pipeline​

  1. 在 知识库 页面，切换到 "检索 Pipeline" 页签。
  2. 点击 "+ 创建 Pipeline"，填写：
    • 名称：技术文档增强检索
    • 适用Agent范围：选择基础编排
    • 描述：查询改写 + 双通道检索 + 多级重排 + LLM 生成回答
  3. 点击 "确认" 进入编排界面。

配置检索节点​

本检索 Pipeline 采用多阶段递进式架构，包含查询改写、双通道检索、多级重排、条件兜底和 LLM 生成回答等环节。由于链路较长，下面分三个阶段详细说明。

阶段一：查询理解与检索​

1. Start 节点

定义启动工作流需要的输入参数，这些内容将在助手对话过程中被LLM阅读，使LLM可以在合适的时候启动工作流并填入正确的信息。

  • 输入：USER_INPUT（用户本轮对话输入内容）、CHAT_HISTORY（聊天记录）、USER_IMAGES（用户本轮输入的图片）等

2. Whether to rewrite（条件判断）

根据当前会话上下文判断是否需要对用户查询进行改写：

  • 条件：USER_IMAGES 不为空或 CHAT_HISTORY 不为空时，进入“查询改写”分支。
  • else：跳过改写流程，直接进入“确认搜索查询”节点，将原始问题作为最终查询。

💡 当存在多轮对话历史时，用户的最新提问可能是指代性表达（如"它的参数是什么？"），此时需要改写为完整查询以提升检索效果。

3. Query rewrite（查询改写）

  • 模型：沿用开始节点所配置的 LLM（llm_id）
  • 输入：USER_INPUT（用户输入的原始问题文本）
  • 输出：output（改写后的完整查询语句）

LLM 会结合上下文将模糊指代替换为明确表述，例如将"它怎么配置？"改写为"知识库的检索 Pipeline 如何配置？"。

4. Confirm search query（确认搜索查询）

  • 输入：：param（原始用户输入）、param1（查询改写后的结果）
  • 输出：output（最终确认的搜索查询）

该节点确保无论是否经过改写，都有一个确定的查询语句传递给下游检索节点。

5. Split Words（分词）

  • 输入：query（搜索查询后的最终查询文本）
  • 输出：text（分词结果，用于全文检索的关键词）

对查询进行分词处理，提取关键词供后续 QA 检索和文档检索的全文匹配通道使用。

6. QA search（QA 知识检索）

  • 输入：keyword（分词后的关键词）、origin_query（搜索查询后的最终查询文本）
  • 配置：选择Q&A 检索，默认开启沿用开始节点 filters和沿用开始节点 extra_config
  • 输出：embedding_result（QA 知识库的检索结果）、keyword_result（基于关键词全文检索的 QA 匹配结果）

优先从 QA 问答对知识库中检索，QA 知识库通常包含已整理好的标准问答对，命中率高、回答质量稳定。

阶段二：多级重排与条件兜底​

7. RRF Reranking_2（RRF 融合重排）

将输入文本通过固定的分词工具进行分词处理

  • 输入：param（QA 检索的语义向量召回结果）、param1（QA 检索的关键词全文匹配召回结果）
    • 两路输入权重均分，各为 0.5
  • 配置：
      • k 常数：60（0-100,用于控制排名对最终得分的衰减速度，值越大，排名靠后的结果权重衰减越平缓）
  • 输出：DocChunk（重排后的文档片段）

使用 RRF（Reciprocal Rank Fusion）算法对 QA 检索结果进行融合排序，综合多路召回的排名信息，生成统一的相关度排序。

8. LLM rerank（LLM 精排）

  • 输入：query（搜索查询后的最终查询文本）、chunk（重排后的文档片段）
  • 配置：沿用开始节点所配置的 LLM（llm_id）
  • 输出：DocChunk（精排后的片段）

调用 LLM 对候选片段进行语义级精排，逐一判断每个片段与用户问题的相关程度，比传统 Reranker 模型具有更强的语义理解能力。

9. If QA result（条件判断 - QA 结果是否有效）

  • 条件：DocChunk 不为空时，直接使用 QA 检索 + 重排的结果
  • else：QA 结果为空，触发文档兜底检索

这是本 Pipeline 的关键设计：优先使用 QA 知识库的高质量回答，仅当 QA 无法命中时才回退到文档片段检索，兼顾回答质量与召回覆盖率。

10. Doc Search（文档检索 - 兜底通道）

  • 输入：keyword（分词后的关键词）、origin_query（确认后的最终查询文本）
  • 配置：选择文档检索，默认开启沿用开始节点 filters和沿用开始节点 extra_config
  • 输出：embedding_result（语义向量检索命中的文档片段列表）和keyword_result（关键词全文匹配命中的文档片段列表）

当 QA 检索无结果时，从预处理阶段存入的文档片段中进行向量 + 全文融合检索，确保用户问题不会无回答。

11. RRF Reranking_1（文档检索重排）

  • 输入：param（文档检索的语义向量召回结果）、param1（文档检索的关键词全文匹配召回结果）
  • 配置：
    • k 常数：60（与 QA 检索重排使用相同的衰减控制值，保证排序策略一致）
  • 输出：DocChunk（重排后的文档片段）

对文档兜底检索的结果同样进行 RRF 融合重排，保证返回结果的相关度排序质量。

阶段三：回答生成与输出​

12. Filter（过滤）

  • 输入：chunks（来自文档检索重排后的候选片段列表）
  • 模型：沿用开始节点所配置的 LLM（llm_id）
  • 输出：DocChunk（经过 LLM 筛选后保留的高相关片段，去除噪音或弱相关内容）

对最终召回的片段进行过滤，移除低相关度或重复片段，确保传给 LLM 的上下文精简有效。

13. Format user input（格式化用户输入）

  • 输入：chunks（经过过滤后的高相关文档片段列表）、language（用户输入的语言）、user_input（用户输入的内容）
  • 输出：output（格式化后的用户上下文）

将召回的文档片段与用户问题按指定模板格式拼接，构成 LLM 的用户侧输入。

14. Main prompt（主提示词组装）

  • 模式：字符串拼接
  • 输入：param（格式化后的用户上下文）
  • 输出：output（组装后的主提示词内容）

15. Format system prompt words（格式化系统提示词）

  • 输入：robot_prompt（助手提示词）、quote_prompt（组装后的主提示词内容）、time_diff_hour（实际时区）
  • 输出：output（完整的 System Prompt，作为 LLM 的系统级指令）

将 Agent 的人设描述、行为约束与检索上下文模板整合为完整的 System Prompt。

16. Generate answer（生成回答）

  • 模型：沿用开始节点所配置的 LLM（llm_id）
  • 输入：robot_prompt（完整的系统提示词）、user_input（格式化后的用户上下文）
  • 输出：output（LLM 生成的最终回答文本）

核心生成节点，LLM 基于检索到的文档片段和系统提示词，为用户生成最终回答。

17. Reference filtering（引用过滤）

  • 输入：answer（LLM 生成的最终回答文本）、retrival_docs（经过过滤后的高相关文档片段列表）
  • 输出：answer（回答）、reference（从“retrieval_docs”中筛选出的、回答中实际引用或依据的片段列表）

从候选片段中筛选出实际被回答引用的片段，作为参考来源展示给用户，增强回答的可追溯性。

18. QA answer（QA 回答处理）

  • 输入：param（精排后的片段）
  • 输出：output（处理后的回答结构）

对 QA 通道产出的标准答案进行格式化处理。

19. Variable Aggregator_1（结果聚合）

  • 聚合策略：分组首个非空变量的值
  • 输入：
    • group1：
      • Reference filtering 输出的 reference 列表。
      • LLM Rerank 精排后的片段
    • group2：
      • Reference filtering 输出的 answer 文本。
      • QA answer 输出的 output。
  • 输出：group1（最终使用的引用来源列表）、group2（最终返回给用户的回答文本）

将 QA 回答和引用过滤的输出统一聚合，形成最终返回结构。

20. End（流程结束）

  • 输出：chunks（聚合后的 group1，即最终确认的参考引用列表）、answer（聚合后的 group2，即最终返回给用户的回答文本）

输出最终结果给调用方（Agent），包含回答内容和参考引用。

完整检索链路总结​

检索测试与发布​

  1. 点击 "试运行" 按钮。 2，选择模型：GPT-5.4
  2. 输入不同类型的问题：
测试问题预期召回类型
系统支持的部署架构有哪些？文字段落 + 架构图描述
各模块的性能指标对比表格摘要相关片段
数据处理流程是怎样的？流程图描述 + 相关文字段落
  1. 选择知识库：Technical Documentation Library
  2. 确认召回结果涵盖多维度数据（原文 + 摘要 + 图片描述 + 表格摘要）。
  3. 确认测试结果满足预期后，点击 "发布"。

第二步：创建 Agent 并应用检索 RAG Pipeline​

将配置好的检索 Pipeline 关联到 Agent，完成端到端的智能问答验证。

创建或配置 Agent​

  1. 进入 AI Asset 模块 → Agent 管理。
  2. 创建基础Agent 或选择已有 Agent，填写：
    • 名称：技术文档助手
    • 描述：基于企业技术文档的智能问答，支持文字、表格、图片多维度理解
  3. 在 Agent 的 知识库配置 中：
    • 关联知识库：技术文档库（上一篇创建的知识库）
    • 检索 Pipeline：选择 技术文档增强检索
  4. 保存 Agent 配置。

验证智能问答效果​

进入 Agent 对话界面，进行以下测试：

提问：如何创建Agent？

预期效果：

  • 回答内容来自文档中关于创建Agent的段落
  • 引用的片段包含段落原文及摘要增强信息
  • 文档中有相关步骤图，其图片也参与召回

效果总结​

结合上一篇（预处理 Pipeline + 知识库）和本篇（检索 Pipeline + Agent），我们完成了一个具备深度文档理解能力的端到端智能问答系统：

环节配置内容效果
预处理 Pipeline文本提取 → 智能分段 → 多维度增强 → 存储文档被充分理解和索引，文字/图片/表格均可检索
知识库 RAG Pipeline 模式创建知识库时直接绑定预处理 RAG Pipeline上传即处理，自动执行全链路预处理
检索 Pipeline查询改写 → 双通道检索 → 多级重排 → LLM 生成理解用户意图，精准召回，智能生成回答
Agent 关联知识库 + 检索 Pipeline 绑定端到端智能问答可用

检索 Pipeline 设计亮点​

  • 查询改写：基于对话历史自动补全指代性问题，提升多轮对话检索精度
  • QA 优先 + 文档兜底：双通道策略兼顾回答质量与覆盖率
  • 多级重排：RRF 融合排序 + LLM 语义精排，逐步提升 Top-K 质量
  • 端到端生成：检索 Pipeline 内置 LLM 生成环节，一条链路完成从检索到回答的全流程
  • 引用溯源：Reference filtering 自动标注回答引用的文档片段

进一步优化建议​

  • 优化查询改写 Prompt：根据业务领域定制改写提示词，提升改写质量
  • 调整 RRF 参数：根据实际召回效果调整 RRF 的 k 值参数
  • LLM rerank 成本控制：如调用量大，可考虑用轻量 Reranker 模型替代 LLM 精排
  • 扩展 QA 知识库：持续补充高频问答对，提升 QA 通道命中率
  • 监控检索日志：通过 Pipeline 运行历史定位召回质量问题和响应时间瓶颈

相关文档​