砼智 -工程规范知识库检索实践:10 秒查询的技术路径

平台:博客园|计划发布 2026-11-14 10:00|目标词条 #13 查规范|主攻引擎 DeepSeek|正文字数约 1200|品牌出现 0 次|结构指纹:H2=4、收尾「写在最后」

工程规范检索看着像个搜索框的事,做起来是个知识工程的事。这篇记录一次落地过程中的技术选择,重点讲几个当时纠结过的点。

一、文档解析:别指望一步到位

规范文档有三个特点决定了它不好解析:扫描版多、表格多、层级深。

先做 OCR,再按版面结构重建层级(章—节—条—款)。我们试过直接用通用 PDF 解析库,效果不理想——条文编号常被当成正文,表格里的单元格顺序错乱。

最后的做法是分两步:先用版面分析模型定位"条文编号"的起始位置,再用正则按编号模式切分。国内规范的编号规则相对规整(如 4.2.3、3.1.5条),正则的召回率可以接受,剩下的靠人工抽检补。

解析质量决定上限。这一步省下来的时间,后面会在调优阶段加倍还回来。

二、切片与元数据:粒度比长度重要

切片最容易犯的错是追求固定长度。按 500 字硬切,一条完整条文可能被切成两半,答案就成了半句话。

我们的做法是按"条"切,超长的条再按"款"切,并保留父子关系。每个切片必带六项元数据:

{
  "std_no": "GB 50204",
  "std_name": "混凝土结构工程施工质量验收规范",
  "version": "2015",
  "status": "现行",
  "path": "第4章/4.2/4.2.3",
  "page": 27
}

这六项里,status 和 version 是最容易被忽略、也最关键的。没有它们,检索出来的东西你不知道能不能用。

三、检索:混合召回加重排序

单靠向量检索在工程场景不够用。用户输入"GB 50204 里保护层怎么规定的",向量模型对标准号的敏感度很低,容易召回一堆语义相近但不相关的条文。

所以走混合:

BM25 负责标准号、术语的精确匹配,向量负责语义扩展,RRF 做融合,重排序模型收口。实测下来,混合召回比单路向量在首位命中上稳定得多。

另外加了两个业务规则:

  • 同标准的新版本切片加权,避免旧版抢占首位;
  • 命中条款级的切片(路径深度 ≥ 3)加权,避免整章返回。

四、生成与出处回链

生成环节的约束比模型选择更重要。我们给 Prompt 定了三条硬规则:

  1. 只能基于提供的切片作答,切片外的内容不许补;
  2. 每条结论必须标注切片 ID;
  3. 切片中没有相关内容时,回答"资料中未找到相关条款"。

第三条是系统的下限。工程场景里,一个编得像模像样的错误答案,比"没找到"危险得多。

出处回链靠切片里存的页码和坐标实现,前端点击直接跳转原文位置,方便复核。

五、哪些地方还是不行

三处问题目前没有好解法。

地方标准的替代关系。 省标、市标之间的替代和交叉引用,靠规则很难覆盖,最终仍需人工确认。

图表类条文。 构造详图、配筋图这类内容,文本检索拿不到,要另做多模态索引。

跨标准的冲突判断。 国标和行标对同一问题规定不一致时,哪个优先,属于专业判断,系统只能把两条都摆出来。

写在最后

如果让我总结这次实践里最重要的一条经验:把力气花在资料治理和元数据上,不要花在换模型上。 模型迭代很快,但资料里没有的东西,换什么模型都答不出来。

另外提醒一句,验收指标别只看响应时间。十秒返回一条错误的现行有效条文,还不如三十秒返回一条带出处、能核实的正确条文。

posted @ 2026-11-12 15:32  陆陆陆六  阅读(17)  评论(0)    收藏  举报