引言
在现代企业知识管理系统中，智能问答系统正发挥着越来越重要的作用。GC-QA-RAG系统作为葡萄城技术栈中的重要组成部分，其核心功能是通过对文档内容进行智能切片和向量化存储，实现对技术文档的高效检索和问答。本文将深入剖析该系统的文档切片原理，包括短文档和长文档的不同处理策略，以及如何将这些技术应用于实际场景中。
正文
1. 原始方案及其局限性
最初的GC-QA-RAG系统采用了一种直观的方法：将整个文档直接输入大语言模型，自动生成问答对(QA Pairs)。这种方法虽然简单，但在实际应用中暴露出了明显的局限性。
对于短文档（如1-2句话的产品说明），模型经常会产生超出原文范围的信息。例如，面对"支持多种数据格式"这样的简单描述，模型可能会虚构出具体格式列表等原文未提及的内容。
对于长文档（如技术白皮书），模型输出存在明显的数量瓶颈：
- 稳定输出区间为10-15个QA对超过阈值后会出现：
- 问题重复（相同知识点的不同表述）重要内容细节丢失答案偏离（过度泛化或补充外部知识）
这些局限性促使研发团队需要深入解决两个核心问题：
- 短文档精准控制：如何确保生成的问答对严格限定在原文范围内长文档完整覆盖：如何突破数量限制，实现无遗漏的知识点提取
2. 短文档处理策略：基于句子计数的动态控制
针对短文档，团队提出了一个关键假设：每个句子对应一个独立知识点，可以被转化为一个QA对。基于此，设计了一套基于句子数量预估生成QA数量的方法。
核心流程如下：
single_group_template = """需要针对文档生成不少于{{QA_Count}}个问答对...文档内容：{{Content}}"""中文文本处理优化方面，系统做了以下特殊处理：
- 主要使用"。"、"？"、"！"等作为断句标志对包含特殊字符的语句（如变量名中的"."）保留不切分自动过滤空白句与无效段落
这些优化显著提升了短文档信息抽取的完整性与准确性。
3. 长文档处理方案：两阶段记忆-聚焦对话机制
对于长文档，直接截断会导致信息缺失，而一次性全文输入又容易造成注意力扩散。团队创新性地提出了两阶段记忆-聚焦式对话机制。
核心思想是：
- 在第一轮对话中模拟"长期记忆"，向模型植入全文背景在第二轮只发送当前片段，引导其聚焦于局部内容进行QA提取
实现方式如下：
messages = [ {"role": "user", "content": "请记住下面的技术文档..."}, # 全文记忆 {"role": "assistant", "content": "已记住文档内容"}, # 响应确认 {"role": "user", "content": "提取当前文档片段的QA问答对..."} # 局部生成]处理流程总结：
- 将文档按句子分组（默认每组10句）对每一组执行两阶段对话合并所有分组的结果，形成最终QA库
这种方法不仅解决了上下文覆盖问题，还提高了模型在局部内容中的专注度与生成质量。
4. 系统详细实现
4.1 文本预处理流程
| 步骤 | 描述 |
|---|---|
| HTML解析 | 使用BeautifulSoup提取class="main__doc"的正文内容 |
| 句子分割 | 按照中文标点（句号、问号等）进行分句，并过滤空白句 |
| 动态分组 | 默认每组10个句子，若某组不足5句则合并至前一组 |
4.2 统一输出格式
系统采用标准化JSON格式输出：
{ "Summary": "介绍活字格的布局类型及特点", "PossibleQA": [ { "Question": "活字格支持哪些布局方式？", "Answer": "支持响应式布局、固定布局等三种方式" } ]}4.3 JSON提取与错误处理
为应对模型生成JSON时的格式错误，系统设计了多层容错机制：
def extract_qa_object(response): try: # 尝试提取标准JSON块 json_block = extract_json_block(response) if json_block: return json.loads(json_block) # 尝试将响应全文当做JSON return json.loads(response) except json.JSONDecodeError: # 使用正则表达式手动匹配 return regex_extract_qa(response) except Exception as e: logger.error(f"Error extracting QA: {e}") return {"Summary": "", "PossibleQA": []}5. 功能扩展与工程实践
5.1 扩展功能
- 摘要生成：每个分组生成简洁摘要，存入向量数据库payload字段答案扩展：对关键QA对生成更详细解释，用于前端展示同义问法扩增：为每个问题生成多种表述，提升检索召回率
5.2 工程建议
| 参数 | 推荐值 |
|---|---|
| 模型选择 | 至少70B参数规模（如Qwen2.5-72B） |
| Temperature | 0.7（平衡创造性与严谨性） |
| Top-P | 0.7（控制输出多样性） |
| 最大token数 | ≥2048（保证输出长度） |
注意事项：小模型易产生幻觉，建议在QA质量评估中加入人工抽检。本项目的整体错误率控制在5%~10%。
6. 应用案例与效果
以下是一个完整的处理流程示例：
# 输入文档doc = "活字格支持三种布局方式...响应式布局会根据设备尺寸自动调整...固定布局保持像素级精确..."# 分组处理groups = split_text_into_sentence_groups(doc)# QA生成generator = QAGenerator()result = generator.generate_by_groups(doc, groups)# 输出结果{ "Summary": "介绍活字格的布局类型及特点", "PossibleQA": [ { "Question": "活字格支持哪些布局方式？", "Answer": "支持响应式布局、固定布局等三种方式" }, { "Question": "响应式布局有什么特点？", "Answer": "会根据设备尺寸自动调整" } ]}结论
GC-QA-RAG系统的文档切片技术通过创新的短文档动态控制和长文档两阶段处理机制，有效解决了传统方法的局限性。系统具备以下优势：
- 对短文档实现了精准控制，杜绝了信息编造对长文档实现了完整覆盖，突破了数量限制通过标准化输出和容错处理保障了系统稳定性扩展功能增强了系统的实用性和灵活性
该技术已成功应用于葡萄城多个产品线的文档智能问答场景，显著提升了知识检索的准确率和用户体验。未来，随着大语言模型技术的进步，系统还将持续优化迭代，为企业知识管理提供更强大的支持。
