章节三十：智库——检索与多路搜索

一、检索数据图定义

检索流程的整体架构设计采用"自顶向下"的开发模式：先搭骨架，再串流程，验证通畅后填充业务逻辑。

状态定义

检索流程中所有节点共享一个状态对象（State），用来存储用户问题、商品名、检索结果、答案等数据，各节点通过读写这个状态来传递信息。

节点基类

所有检索节点都继承同一个基类（NodeBase），基类提供了日志记录、配置读取等公共能力，避免每个节点重复写。

主图定义

检索流程定义了8个核心节点，按顺序串联：

1. 产品确认节点（node_item_name_confirm）：确定用户问的是哪个产品
2. 向量检索节点（node_search_embedding）：在向量库里搜相关文档
3. HyDE假设检索节点（node_search_embedding_hyde）：先生成假答案再搜
4. 网络搜索节点（node_web_search_mcp）：联网搜索补充信息
5. RRF倒排融合节点（node_rrf）：合并多路检索结果
6. Rerank重排序节点（node_rerank）：对结果精细打分排序
7. 答案生成节点（node_answer_output）：生成最终回答

主图通过LangGraph将各节点按业务流转规则串联，支持条件分支（比如产品未确认时直接返回追问）。

二、产品确认节点

产品确认节点的作用是根据用户问题，初步确定要查的是哪个产品，以便在知识库中精准定位手册。

核心流程

第一步：参数校验。检查状态中的用户问题和会话ID是否有效。

第二步：读取历史会话。从MongoDB中获取最近10条聊天记录，用于构建上下文，帮助理解当前问题的意图。

第三步：保存当前问题。将用户提问存入数据库，保证对话历史完整。

第四步：意图理解与改写。调用大模型完成两件事：一是提取商品名（支持多个），二是把模糊问题改写成完整独立的精准问题。比如"这个怎么用"改写成"HAK180烫金机的操作方法"。改写的目的是把用户口语化、模糊的原始问题转化为精准的检索语句。

第五步：向量化评分。把提取出的商品名用BGE-M3生成双向量，在Milvus中进行混合搜索（稠密权重0.8，稀疏权重0.2），与知识库中已有的标准商品名比对，获取相似度评分。

第六步：商品名对齐。根据评分结果分三种情况处理：

• 评分大于0.85：直接确认该商品，系统认为匹配度极高。
• 评分在0.6到0.85之间：作为候选商品，生成反问让用户确认。
• 评分低于0.6：认为不相关，直接丢弃。

第七步：分支处理。

• 已确认商品：更新状态，回填历史消息中缺失的商品名关联，进入后续检索流程。
• 有候选但未确认：生成澄清话术返回给用户，中断流程等用户回复。
• 无任何结果：生成通用回复返回给用户。

第八步：持久化。把交互数据写入MongoDB历史记录。

三、向量搜索

向量搜索节点负责根据改写后的问题，在限定商品范围内，从Milvus向量库中召回最相关的知识切片。

第一步：获取查询上下文。从状态中提取改写后的问题和确认的商品名列表。

第二步：文本向量化。调用BGE-M3模型将问题转换为稠密向量和稀疏向量。

第三步：构建混合检索请求。如果有确定的商品名，就构造过滤条件限定搜索范围。同时结合稠密向量（余弦距离）和稀疏向量（内积）进行多路召回。

第四步：执行检索。连接Milvus的切片集合，用0.8/0.2的权重对稠密和稀疏得分加权融合，返回Top 5最相关的文档切片。

第五步：更新状态。把检索到的切片列表存入状态，供后续节点使用。

四、HyDE搜索

什么是HyDE

HyDE（Hypothetical Document Embeddings）是一种让检索更聪明的技巧。当用户只给了一句短问题（比如"HAK180烫金机怎么用"），直接搜可能效果不好，因为问题太短、语义信息太少。

HyDE的做法是：先让大模型"脑补"一段可能的答案或说明文档，这段文字通常更具体、包含更多关键词和专业术语。然后用这段"假想文档"去做向量检索，效果往往比直接用原始问题好得多。

实现流程

第一步：获取假设性答案。把用户的问题发给大模型，让它生成一段假想的答案文档。这段文档会更详细，包含操作步骤、专业术语等。

第二步：向量化检索。把"改写后的问题 + 假设性答案"一起生成向量，到Milvus向量库中检索相关切片。因为假设答案的语义更饱满，更容易命中知识库中的相关内容。

HyDE的缺点是也可能"脑补过头"，生成的假设文本带偏方向。所以通常配合过滤、重排或多路检索一起用，不全靠它。

五、网络搜索

网络搜索节点负责调用百炼MCP联网搜索服务，获取互联网上的实时信息，作为本地知识库的补充。

准备工作

使用MCP服务需要先在阿里云百炼平台开通：

• 注册阿里云账号并完成实名认证
• 在百炼MCP广场搜索并选择目标搜索服务
• 配置API Key、选择部署模式和计费模式
• 获取MCP服务的Streamable HTTP Endpoint地址

处理流程

第一步：建立MCP连接。通过OpenAI SDK连接百炼MCP服务，使用配置好的API Key和Endpoint。

第二步：调用搜索工具。通过 call_tool() 调用百炼的 bailian_web_search 搜索工具，传入用户查询内容。

第三步：解析与格式化。从MCP流式响应中提取有效数据，保留标题、链接、摘要三个核心字段，清洗空值和无效结果，封装为统一的文档列表格式。

第四步：资源清理。无论搜索成功还是失败，都关闭MCP连接释放资源。

第五步：更新状态。将格式化后的网络搜索结果存入状态的 web_search_docs 字段，供后续重排序和答案生成使用。

---

名词解释

HyDE：一种搜索技巧，先让AI生成假答案再用它去搜向量库，提高检索准确率。
RRF：倒数排名融合算法，不看具体分数只看排名，把多路搜索结果合并排序。
Rerank：重排序，对初筛结果用模型精细打分，把最相关的放前面。
MCP：模型上下文协议，一种让AI调用外部工具的标准接口。
混合检索：同时用稠密向量（语义匹配）和稀疏向量（关键词匹配）搜索，取长补短。
召回：先从数据库里快速找出一批候选结果，不要求很精准。
State：LangGraph里的状态对象，整个工作流中各节点共享的数据容器。
节点：工作流里的一个处理步骤，比如调用模型、处理数据、判断分支。
改写：把用户口语化、模糊的原始问题改写成精准的检索语句。