医疗设备技术文档问答的精准解决方案：RAG与混合检索实战经验

垂直领域的专业知识问答系统，仅通过优化提示词难以彻底解决模型对罕见型号参数"合理猜测"的难题。关键在于构建RAG（检索增强生成）流程，将模型的"凭记忆回答"转变为"查阅资料回答"，从而大幅减少幻觉产生的可能性。

在处理专业医疗设备文档时，不同大语言模型展现出各自优势。GPT-4o更善于将零散的文本片段整合成连贯的逻辑叙述，而DeepSeek-V2.5在中文环境下对专业术语的精确匹配能力更为突出，能够保持原始语义不变。

多种检索方案效能分析

将文档简单存入向量库并不能确保高准确率，检索策略的选择直接影响结果质量。对比三种常见方案后发现：

• 纯向量检索虽然速度快，但对关键词变化的适应能力较弱。例如查询"型号 A-100"时，系统可能错误检索出"型号 A-101"的内容片段，导致生成的参数信息出现偏差。
• 关键词检索虽然精确匹配度高，但缺乏对同义词或语义相近表达的理解能力，检索覆盖面有限。
• 混合检索结合重排序技术效果最佳。采用"向量+关键词"双路径检索初步筛选相关内容，再利用BGE-Reranker进行二次评分，有效过滤低相关性噪声。这种方法成功将幻觉率从15%降至3%。

系统提示词的硬性约束设计

为防止模型在缺乏相关文档时依赖通用知识进行推测，系统提示词需要设置严格的行为边界：

你是一个专业的技术支持助手。请严格基于提供的【上下文】回答问题。
如果【上下文】中没有提到相关信息，请直接回答"知识库中未记录此信息"，严禁调用你的通用知识进行推测。
回答时请标注引用来源，例如 (文档A, 第3页)。

极致准确率的技术架构

在工程实践中，以下技术组合可实现问答系统的最高准确率：

• 推理引擎：选用对中文专业术语匹配更为精准的DeepSeek-V2.5。
• 重排序模块：采用BGE-Reranker过滤低相关性文本片段。
• 向量数据库：部署支持大规模数据存储且检索性能优异的Milvus。

这套结构化的约束机制通过数据链路层面的严格控制，确保模型仅在有可靠依据的情况下生成回答，相比软性的提示词优化更为可靠可行。当检索结果与提示词约束同时生效时，系统会优先引用检索到的文档内容，若仍无法找到相关信息，则执行"知识库中未记录此信息"的回退机制，避免生成任何无依据的回答。