[!info] related notes

• 前置: RAG 知识库设计, Embedding 模型
• 并列: Reranker 模型
• 应用: 咨询 Agent 工作流

意图感知 RAG 重排

核心问题

纯 cosine similarity 搜出来的结果”语义相关”但不一定”意图匹配”。用户问”颈椎前伸怎么练”，语义最接近的可能是”颈椎前伸的定义”（都提到了”颈椎前伸”），但用户真正想要的是”矫正动作”。

设计思路

在 cosine similarity 基础上，根据用户意图给匹配的知识类型加分：

最终分数 = cosine_similarity + intent_boost

• cosine_similarity: 语义相关性（0~1）
• intent_boost: 意图匹配加分（0 或 0.1~0.2）

意图→知识类型映射

INTENT_KEYWORDS = {
    "definition": ["什么是", "定义", "是什么意思"],
    "self_check": ["自测", "判断", "筛查", "怎么测"],
    "exercise": ["练什么", "动作", "训练", "拉伸", "改善", "矫正"],
    "cause": ["原因", "为什么", "影响", "导致"],
    "warning": ["风险", "疼", "不适", "禁忌", "就医"],
    "habit": ["日常", "习惯", "坐姿", "低头"],
}

检测用户消息命中了哪些意图，对应 unit_type 的结果加 boost。

重排算法

def rerank(results: list[SearchResult], user_message: str) -> list[SearchResult]:
    # 1. 检测意图
    matched_types = set()
    for intent_type, keywords in INTENT_KEYWORDS.items():
        if any(kw in user_message for kw in keywords):
            matched_types.add(intent_type)

    # 2. 计算融合分数
    for r in results:
        boost = 0.15 if r.unit_type in matched_types else 0.0
        r.rerank_score = r.similarity + boost

    # 3. 排序
    results.sort(key=lambda r: r.rerank_score, reverse=True)
    return results

实际效果

用户问”颈椎前伸怎么练”，命中 exercise 意图：

排名	cosine	unit_type	title	最终分数
1	0.78	exercise	颈椎前伸矫正动作	0.93
2	0.85	definition	什么是颈椎前伸	0.85
3	0.72	cause	颈椎前伸的原因	0.72

没有重排时 definition 排第一（cosine 更高），有重排后 exercise 排第一（意图匹配）。

与 Reranker 模型的区别

维度	意图感知重排	Reranker 模型
方法	关键词匹配 + boost	交叉编码器精排
延迟	<1ms	10~100ms
精度	粗粒度	细粒度
适用	有明确 unit_type 分类	通用场景

如果你的知识库有 unit_type 分类，意图感知重排是性价比最高的方案。如果没有分类，用 Reranker 模型。

设计要点

1. 知识入库时必须标记 unit_type — 这是重排的前提
2. boost 权重要适中 — 太大会让不相关的高分结果也排上来，太小没效果
3. 可以叠加多意图 — 用户同时问”原因和怎么练”，同时 boost cause 和 exercise
4. 可以做负 boost — 用户已经看过的类型降权，避免重复

常见错误

没有 unit_type 就想做意图重排

# ❌ 知识库没有分类，硬做重排
# 没有 unit_type，无法匹配意图

boost 权重太大

# ❌ boost = 0.5
# 一个 cosine=0.3 但类型匹配的结果会排到 cosine=0.7 的前面

# ✅ boost = 0.1~0.2
# 只在 cosine 接近时起决定作用