【RAG】分块自动 QA 对生成与问题向量增强方案 分块自动 QA 对生成与问题向量增强方案项目地址:https://github.com/WiSiW/AI-RAG 摘要复用现有 hypothetical_questions 生成路径和 questions 向量召回路由,将其升级为“每个 L1/L2/L3 chunk 生成 3 个多样化 QA 对”:详情查询、比较/关系、概括各 1 个。问题单独生成向量并关联原 chunk...
【RAG】分块语义完整性评估方案 分块语义完整性评估方案项目地址:https://github.com/WiSiW/AI-RAG 摘要新增“规则检测 + LLM 语义评判 + 人工抽样校准”的评估体系,覆盖 L1、L2、L3 三种粒度。评估只读取现有 chunk、原文和父/邻接上下文,不重新分块;每次运行保存配置快照和 chunk 快照,支持文档级、知识库级查看以及历史版本对比。 评估模型与指标自动规则指...
【RAG】分块大小与重叠窗口调优方案 分块大小与重叠窗口调优方案项目地址:https://github.com/WiSiW/AI-RAG 摘要新增独立的“分块调优”工作台,以固定评测集和黄金证据为依据,比较分块大小、重叠窗口与检索质量、上下文噪声、答案质量和计算成本之间的关系。 方案采用两阶段评测: 快速筛选:对默认 256/512/1024/1536 × 0%/10%/20%/25% 共 16 组参数,构...
【RAG】多粒度检索 多粒度检索项目地址:https://github.com/WiSiW/AI-RAG 实现内容 L1 章节摘要块 按章节/小节聚合 L2 chunk,并调用增强模型生成 150–300 字摘要,附带章节标题。 向量表示类型为 l1_summary,同时进入 BM25。 模型失败时使用 L2 摘要拼接回退,并标记为 degraded。 L2 段落级语义块 保留现有分块与...
【RAG】多跳问题识别与递归检索方案 多跳问题识别与递归检索方案项目地址:https://github.com/WiSiW/AI-RAG 摘要在查询改写之后、正式混合检索之前加入分层复杂度判定:规则特征 → 外部 BERT 分类器 → 轻量 LLM 快速判断。单跳问题继续走现有链路;多跳问题启动最多 3 轮 IRCoT 式检索,按子问题逐步补充证据,最终统一 Rerank 并生成回答。分类与检索轨迹对用户可见...
【RAG】检索质检递归轮次证据明细补充方案 检索质检递归轮次证据明细补充方案项目地址:https://github.com/WiSiW/AI-RAG 摘要当前检索质检模块已完整展示多粒度路由和多跳识别结果,无需重做。唯一缺口是递归轮次只显示 chunk_ids,页面未展开实际证据。此次仅扩展 MultiHopStep 的快照数据和轨迹面板,使每轮都能看到来源、章节、粒度、分数及召回路由。 后端数据与接口 新增 Tr...
【RAG】知识库独立导出与导入方案 知识库独立导出与导入方案项目地址:https://github.com/WiSiW/AI-RAG 摘要在现有按 kb_id 隔离 PostgreSQL 数据、Milvus 集合、Whoosh 目录和 MinIO 文档的基础上,新增知识库级可移植包。支持“文档包”和“携带索引的完整包”两种导出模式,导入时创建全新知识库并重映射全部 ID,不影响现有知识库。 包格式与数据边界...
【AI】多窗口流式问答设计——markdown渲染卡顿 【AI】多窗口流式问答设计——markdown渲染卡顿要确保多个聊天窗口切换时 Markdown 渲染不会造成卡顿,关键不是简单地优化 Markdown 解析速度,而是要解决三个问题: 渲染隔离: A 窗口收到 Token 时,不能导致 B 窗口重新渲染。 增量渲染: 不要每收到一个 Token,就重新解析整篇 Markdown。 渲染缓存: 切换窗口时,已经完成的 M...
【AI】多窗口流式问答设计(前后端) 【AI】多窗口流式问答设计(基于dify的前端设计)需求同一个标签页多个独立聊天会话 123窗口 A → conversation_A → Dify窗口 B → conversation_B → Dify窗口 C → conversation_C → Dify 核心思想:每个聊天窗口维护自己的 conversation_id,每次请求创建独立的 AbortControll...
【AI】多窗口流式问答设计(前后端) 【AI】多窗口流式问答设计(前后端)问题在 AI 问答页面中,如果使用 SSE 或 WebSocket 实现大模型流式输出,同时支持多个聊天窗口(类似 ChatGPT 左侧会话列表),核心问题是: 每个聊天窗口必须拥有独立的会话上下文、独立的流式请求、独立的消息状态和独立的取消控制。 例如: 用户在窗口 A 提问,AI 正在流式生成回答。 用户切换到窗口 B,继续发起新...