PharmaRAG

Fri, 01 May 2026 00:00:00 +0000

一个为药师打造的企业级 LLM + RAG 知识库与辅助问答系统，将分散的企业文档转化为可检索、可溯源的知识服务，所有正式答复均带来源引用，并经人工确认后发布。

项目概述

医药领域的专业提问对准确性和可溯源性的要求远高于一般场景：回答必须有据可查，且在正式生效前经过人工把关。本系统将企业文档接入知识库，通过检索增强生成（RAG）工作流产出带引用的回答，由药师复核确认后发布，形成「机器检索生成 + 人工最终决策」的可靠协作模式。

问题

专业回答必须准确且可追溯到来源文档，无法接受"模型自由发挥"。
纯关键词检索会漏掉语义匹配；纯向量检索会丢失精确关键词命中——单一策略不可行。
检索质量直接决定回答质量：检索链路薄弱，无法在生成阶段补救。
面向真实业务的回答必须有人工确认环节，系统需将其纳入工作流而非游离在外。

解决方案

构建完整的 用户咨询 → 知识检索 → LLM 生成 → 人工确认 工作流：

用户咨询 → 混合检索（向量 + 关键词）→ RRF 融合 → 父文档聚合
 → Reranker 重排序 → LLM 生成（带来源引用）→ 人工确认发布

设计原则：先用多阶段检索把"最相关的完整证据"找出来，再让 LLM 基于证据作答。回答质量的上限由检索阶段决定，因此资源优先投入检索链路，而非 Prompt 调优。

系统架构

核心技术挑战

多阶段混合检索

单一检索策略难以同时保证语义召回与专业术语的精确命中，因此将检索拆分为多个协作阶段：

向量检索 负责语义匹配，关键词 / 全文检索 负责精确术语。
RRF（Reciprocal Rank Fusion） 融合异构检索结果，兼顾两路排序信号。
父文档聚合 返回完整、自洽的上下文段落，而非碎片片段。
Reranker 对候选结果精排，将最相关证据置于最前，降低 LLM 的阅读负担。

知识入库数据链路

检索质量的上游是干净、结构化的入库链路：

文档解析、数据清洗、分块与 Embedding 入库全流程自动化。
pgvector 与关系数据同库存储，简化事务与备份；Redis 承担热点缓存；Celery 运行后台任务；MinIO 存放原始对象。

上线前评估体系

先建立可度量的评估基准，再迭代检索策略：

构建合成病例与评测 Query 数据集，覆盖典型问法与边界问法。
以召回率与排序质量等离线指标驱动检索策略迭代——先于任何 Prompt 调优。

工程实现

FastAPI 应用层承载问答工作流与人工确认状态流转。
基于 PostgreSQL / pgvector、Redis、Celery、MinIO 组装 RAG 基础设施，全部 Docker 容器化。
提供离线检索评估工具，支撑数据驱动、可复现的原则性迭代。

项目成果

完成端到端企业级 RAG 系统：

输入：企业文档 + 用户咨询
输出：带来源引用、经人工确认的回答
解析 → 清洗 → Embedding → 检索 → 重排序 → 生成全链路打通
多阶段检索架构（RRF 融合 + 父文档聚合 + Reranker 精排）
合成病例与评测 Query 数据集及离线评估工具
「咨询 → AI 答复 → 人工确认」业务流程真实运转

演示

输入用户咨询后，系统执行混合检索、融合重排序证据，并生成带来源引用的回答；药师在确认界面复核引用与内容后正式发布。

技术栈

检索：Embedding · 混合检索（向量 + 关键词）· RRF 融合 · 父文档聚合 · Reranker 生成与编排：LLM · LangChain · Prompt 设计 · 人工确认工作流 基础设施：FastAPI · PostgreSQL / pgvector · Redis · Celery · MinIO · Docker 评估：合成病例数据集 · 离线检索评测

我的贡献

独立完成设计与开发：

设计多阶段混合检索架构与融合排序策略
构建文档解析、清洗、分块与 Embedding 入库数据链路
搭建合成病例评测数据集与离线检索评估工具
组装生产级基础设施并完成 Docker 容器化交付

该项目完整体现了我从 混合检索链路设计、生成质量控制到生产级基础设施交付 的企业级 RAG 工程能力。

应用前景与可扩展方向

当前系统已支撑「咨询 → 检索生成 → 人工确认」闭环，其模块化架构具备向更广场景延展的潜力：

应用场景

用药咨询知识自助：面向内部人员的药品知识自助问答，减少药师重复答疑负担。
合规与制度问答：同一套检索生成框架可直接迁移到制度、规范类文档问答。
连锁 / 多组织知识统一：多门店、多组织的分散文档统一入库，形成一致的知识服务。

可扩展技术方向

Agent 化多轮问答：引入多轮澄清与追问，处理模糊提问与复合问题。
知识库增量更新流水线：文档版本变更时自动重建受影响分块，保持知识与源文件同步。
审计与质量看板：沉淀确认前后的修改差异，形成回答质量的持续改进依据。

企业级 AI | AIVIS