投研问答 RAG 系统：让回答能回到来源

投研问答真正难的不是让模型开口，而是让每一句判断都能回到可信材料里。

背景

这个项目服务于金融机构内部知识问答场景。用户需要同时查询内部材料和市场新闻，公开搜索覆盖不了内部观点，传统检索又很难承接“继续问”“换个时间口径”“它最近怎么样”这类自然表达。

目标不是做一个泛用聊天框，而是让分析师或顾问用接近日常沟通的方式提问，系统能找到相关材料、综合回答、标出来源，并在证据不足时明确说明不能下结论。

真正麻烦的地方

材料形态不一致。研报多来自 PDF，结构和标签相对稳定；新闻更新快，格式更散，噪声也更多。如果把两类材料简单丢进同一个向量库，召回结果看似丰富，但解释性和稳定性都会下降。

用户问题也不是干净的检索词。上下文里的指代、主题切换、模糊时间都会影响召回范围。“最近”在不同问题里可能代表不同观察窗口；“它”可能指上一轮里的公司、行业或宏观事件。检索前如果不处理这些问题，后面的生成再强也只是补救。

我参与的部分

我主要参与了问答链路的设计和实现，把流程拆成“理解问题”和“基于证据回答”两个阶段。

第一阶段由模型做结构化改写：结合近期对话，把口语问题改写成独立问题，同时解析时间范围、实体、关键词和可用于检索的标签。这个阶段更看重稳定输出和速度，而不是长篇推理。

第二阶段是检索和回答。项目使用混合检索：在分类体系可靠的场景下优先走标签匹配，因为它更容易解释，也更符合团队已有的资料组织方式；对标签覆盖不到或表达更开放的问题，再结合关键词和向量召回补足。进入生成前，会筛掉弱相关片段，只把可引用的证据交给回答模型。

回答通过 SSE 流式返回，前端不必等完整内容生成完才展示。关键结论要求附带研报或新闻来源，用户可以回到原文核对。检索证据不足时，系统会明确拒绝给出结论，而不是让模型凭常识补齐。

取舍

两阶段 LLM 比单次调用复杂一些，但边界更清楚：前一段负责把人话变成可检索的结构，后一段负责在证据范围内组织回答。这样更容易定位问题，是改写错了、召回偏了，还是生成没有守住证据。

检索上没有把向量相似度当成唯一答案。金融机构内部标签体系本身承载了业务经验，可靠时应当先用；向量检索适合补充语义表达差异，而不是替代所有结构化线索。

结果

系统接入了数万份内部研报与千万级新闻材料后，能够支持连续追问、时间口径调整和主题切换。提问后约 3–5 秒开始流式输出，十余秒给出带来源的完整回答，可支撑十余轮连续追问而不丢主题；使用者能先看结论，再点开可点击的来源回到原文判断是否采信。

这类 RAG 系统的价值不在于“回答得像人”，而在于它把资料、来源、时间和拒答边界放回了知识工作流程里。对严肃知识工作来说，可信比流畅更重要。

相关链接

• 案例列表
• GitHub
• 联系页面

如果你正在做企业 RAG、知识库、AI 客服或 Agent 工作流，可以通过下方微信二维码或邮件沟通，邮箱：contact@aildnc.com。