RAG知识库在房产领域的落地实践：从多路召回、重排到精准问答
1、背景：为什么需要构建交易领域的 RAG 系统？
在房产交易这一高度专业化、政策敏感且地域差异显著的领域，用户咨询问题往往具备以下特点：
- 强场景性：如“客户已婚，男女方都不是北京人，北京五环内有一套住房，家里有未成年一儿一女……请问适用北京二孩政策吗？”
- 高准确性要求：涉及贷款成数、利率、限购资格等，容错率极低。
- 知识更新频繁：各地购房政策、贷款规则按月甚至按周调整。
- 地域差异大：各城市的政策体系完全不同。
2、整体架构与流程
“多路召回 + 智能融合 + 重排序 + 约束生成” 的端到端 RAG 流程：
- 输入理解： 通过规则和HTTP接口补充用户城市ucid等基本信息，然后通过LLM模型对核心问题提取。
- 多路召回：
- 结构化路径：graph_db_query —— 基于知识标题精确匹配。
- 语义路径：graph_vector_query —— 分别召回 QA知识、知识点、专家生产 三类内容。
- 知识融合： Python 节点对多源结果去重、过滤、排序。
- 重排序（Rerank）： 使用 BGE-reranker 模型 对召回结果按 query 相关性重新打分。
- 约束生成： LLM Prompt 强制要求“仅基于参考内容回答”，否则返回兜底话术。
3、问题与解决方案
- I、多源知识重复与冲突： 同一政策可能同时存在于“QA知识”和“知识点”中，内容略有差异，导致 LLM 混淆。
解决方案：基于 ID 的严格去重 + 内容频次加权 在 Python 融合节点中，我们实现了一套去重逻辑：
python：
多源知识融合
for item in all_sources:
vdb_id = item['id'] or item['vdbId']
if vdb_id not in seen_ids: # 【关键】按唯一ID去重
seen_ids.add(vdb_id)
content_counter[item['text']] += 1
# 按出现频次排序：高频内容优先
sorted_contents = sorted(contents, key=lambda x: -content_counter[x])
- II、无效/脏数据干扰： 知识库中存在占位符如 “？\n空”，若被召回将导致 LLM 输出无意义内容。
解决方案：硬过滤 + 动态清洗 在融合阶段显式过滤：
python:
if "？\\n空" not in content:
result.append(content)
-
III 专家知识被淹没： “专家生产”内容权威性高，但在向量检索中可能因表述专业而相似度偏低。 解决方案：独立通道 + 高优先级展示 将 专家生产 类知识单独存入 expert_contents； 在最终输出中，优先拼接专家内容，确保其不被普通知识点覆盖。
-
IV、LLM 自由发挥（幻觉）： 即使提供了正确参考，LLM 仍可能添加“一般来说”、“建议咨询”等模糊表述。 Prompt 核心指令：
prompt:
你必须严格根据以下【参考内容】回答。
如果【参考内容】中没有相关信息，请回答：“根据现有资料无法回答。”
不得使用“可能”、“一般来说”、“我认为”等模糊或主观表述。
后处理规则：
python:
if any(phrase in answer for phrase in ["一般来说", "建议"]):
return "根据现有资料无法回答。"
4、未来优化方向
- 引入混合检索： 结合 BM25 关键词 + 向量检索，提升召回率。
- 动态知识更新： 对接政策发布平台，实现分钟级热更新。
- 强化评估体系： 构建自动化 Bad Case 回流机制，驱动迭代。
最后：RAG 不是简单的“检索+生成”，而是一套系统工程。在房产这种高 stakes 场景中，我们必须通过严谨的召回策略、可靠的融合逻辑、强约束的生成机制， 才能构建真正可信的 AI 助手。
