Langchain-Chatchat用于机场航站楼管理知识查询

Langchain-Chatchat 在机场航站楼管理中的智能知识服务实践

在现代机场运营中，一线工作人员每天面临大量高频、高时效性的信息查询需求：登机口临时变更如何通知旅客？廊桥故障是否有备用方案？航班延误超两小时的餐饮安置标准是什么？传统依赖纸质手册或集中培训的方式，响应慢、易出错，难以满足复杂多变的现场调度要求。

与此同时，人工智能技术正悄然重塑企业知识管理的边界。尤其是基于私有知识库的本地化大模型问答系统，正在成为高合规性行业数字化转型的新引擎。这类系统不依赖云端API，所有数据处理均在内网完成，既能保障敏感信息零外泄，又能实现“随问即答”的智能化交互体验。

Langchain-Chatchat 正是这一趋势下的典型代表——它不是一个简单的搜索引擎，而是一套融合了文档解析、语义向量化、检索增强生成（RAG）和本地大模型推理的完整技术栈。当这套系统被部署于机场航站楼的内网环境中时，便能将积压多年的PDF操作手册、Word应急预案、PPT培训资料转化为可对话的知识体，为地勤、安检、运维等岗位提供实时决策支持。

以某大型枢纽机场的实际场景为例，当值班员通过微信小程序提问：“国际航班CZ3802因天气延误3小时，应启动哪些服务流程？”系统会在毫秒级时间内完成以下动作：

1. 将问题编码为语义向量；
2. 在本地向量数据库中匹配《不正常航班服务规范》《旅客安置操作指南》等相关段落；
3. 结合上下文拼接提示词，交由本地运行的ChatGLM3-6B模型生成结构化回答；
4. 返回结果如：“根据规定，需提供免费餐食或餐券，每人标准不超过100元；若过夜，则安排酒店住宿。”

整个过程无需连接公网，响应延迟低于1.5秒，且输出内容可追溯至原始文档页码，极大提升了应急处置效率与合规性。

这背后的技术链条其实并不神秘，但每一个环节都经过精心设计，才能在真实业务场景中稳定可用。

文档加载是第一步。机场积累的操作文件格式五花八门——PDF扫描件、Word修订版、Excel排班表、甚至PowerPoint培训课件。Langchain-Chatchat 借助Unstructured工具集实现了统一接入，无论是哪种格式，都能自动提取文本内容，并进行清洗去噪。对于图像型PDF，建议前置OCR预处理，否则无法提取有效文字。

接着是文本分块。长文档不能一股脑送进向量空间，必须切分为语义完整的片段。这里常用RecursiveCharacterTextSplitter，按字符层级递归分割，优先在段落、句子边界断开。中文环境下推荐 chunk_size 设置为500字符左右，overlap 约50字符，既保留上下文连贯性，又避免信息断裂。比如一段关于行李转盘切换的操作说明，如果被硬生生截断，可能导致检索时丢失关键条件。

然后是向量化与索引构建。这是实现“语义搜索”的核心。系统采用如 BGE-base-zh-v1.5 这类专为中文优化的嵌入模型，将每个文本块转化为768维的向量表示，存入 FAISS 或 Chroma 这样的轻量级向量数据库。相比关键词匹配，这种方式能理解“远机位接驳”与“摆渡车调度”之间的语义关联，即使用户用词不同也能准确召回。

最后是检索-生成协同机制。用户提问后，系统先通过向量相似度搜索找出Top-K最相关的文档片段，再把这些“证据”连同原问题一起输入本地LLM，生成自然语言答案。这种 RAG 架构巧妙规避了纯生成模型容易“胡说八道”的问题——因为每一条回答都有据可依。

from langchain_community.document_loaders import UnstructuredFileLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings import HuggingFaceEmbeddings from langchain.vectorstores import FAISS from langchain.chains import RetrievalQA from langchain_community.llms import HuggingFaceHub # 加载文档 loader = UnstructuredFileLoader("airport_operations_manual.pdf") documents = loader.load() # 分割文本 text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50) texts = text_splitter.split_documents(documents) # 初始化中文嵌入模型 embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-base-zh-v1.5") # 构建向量库 vectorstore = FAISS.from_documents(texts, embedding=embeddings) # 接入本地LLM llm = HuggingFaceHub( repo_id="THUDM/chatglm3-6b", model_kwargs={"temperature": 0.7, "max_new_tokens": 512} ) # 创建问答链 qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", retriever=vectorstore.as_retriever(search_kwargs={"k": 3}), return_source_documents=True ) # 执行查询 query = "登机口临时变更应如何通知旅客？" result = qa_chain.invoke({"query": query}) print("答案:", result["result"]) print("来源文档:", result["source_documents"][0].page_content)

这段代码看似简单，实则涵盖了从文档入库到智能问答的全流程。其中RetrievalQA是 LangChain 提供的高级封装，隐藏了复杂的提示词拼接与调用逻辑，让开发者可以快速搭建原型。更重要的是，所有组件均可在本地运行，无需调用任何外部API，完全符合民航业对网络安全的严苛要求。

当然，实际落地时还需考虑更多工程细节。例如，是否支持多轮对话？毕竟现场人员常常会连续追问：“刚才说的登机口变更，那行李托运怎么办？”这就需要引入记忆机制。

LangChain 内置了ConversationBufferMemory，可记录历史对话并注入后续查询中。配合ConversationalRetrievalChain，系统就能理解上下文关联，实现真正的“对话式”交互。

from langchain.memory import ConversationBufferMemory from langchain.chains import ConversationalRetrievalChain memory = ConversationBufferMemory( memory_key="chat_history", return_messages=True ) conversational_qa = ConversationalRetrievalChain.from_llm( llm=llm, retriever=vectorstore.as_retriever(), memory=memory ) conversational_qa.invoke("廊桥使用有哪些规定？") conversational_qa.invoke("如果廊桥故障，是否有备用方案？") # 能关联前文

这种能力在故障排查类场景中尤为关键。工作人员不需要重复背景信息，只需顺着思路一步步深入提问，系统便会自动整合上下文给出精准回应。

至于底层的大模型选择，目前主流是部署开源中文模型，如智谱AI的 ChatGLM 系列、阿里通义千问 Qwen 系列。这些模型不仅中文理解能力强，还能通过量化压缩（如GGUF 4-bit）在消费级显卡甚至CPU上运行，大幅降低硬件门槛。

./main -m ./models/ggml-chatglm3-q4_0.gguf \ -p "根据《航站楼运行手册》，登机口临时变更应如何通知旅客？" \ --temp 0.7 --n_predict 512

借助 llama.cpp 这类高效推理引擎，即便没有专业AI加速卡，也能实现首字响应时间小于1秒，满足一线人员即时查询的需求。同时，通过调节 temperature 参数（建议设为0.5~0.7），可在创造性与稳定性之间取得平衡，减少模型“幻觉”。

整个系统的架构通常如下：

[终端用户] ↓（HTTP/WebSocket） [前端界面：Web App / 微信小程序 / 终端机] ↓（API调用） [Langchain-Chatchat 服务端] ├── 文档管理模块：上传、删除、更新知识文件 ├── 向量数据库：FAISS/Chroma 存储嵌入向量 ├── 嵌入模型服务：BGE/Zhipu Embedding ├── LLM 推理服务：ChatGLM/Qwen 本地运行 └── 检索问答引擎：LangChain 驱动 ↓ [后台管理系统] ← 日志记录、权限控制、审计追踪

所有组件部署于机场内网服务器，物理隔离公网，确保数据绝对安全。同时支持API对接现有OA系统、工单平台或调度终端，实现无缝集成。

在具体应用中，该系统解决了多个长期存在的痛点：

• 手册厚重难查：过去查找一个操作条款可能要翻几十页PDF，现在只需一句话提问，秒级定位。
• 新员工培训周期长：新人不再需要死记硬背流程，随时提问即可获取标准答案，显著降低培训成本。
• 应急处置不及时：突发事件中，值班员可快速调取预案条款，辅助科学决策。
• 知识分散在个人经验中：许多隐性知识（如老员工掌握的特殊处置技巧）可通过整理成文档沉淀为组织资产。
• 权限管控缺失：系统支持细粒度访问控制，例如仅允许安保人员查询安防相关内容，防止越权访问。

更进一步，还可以加入缓存机制，对高频问题（如“值机柜台开放时间”）的结果进行缓存，减轻模型负载；启用日志审计功能，追踪每次查询的来源与响应，用于分析知识盲点或优化模型表现。

值得注意的是，文档质量直接影响系统效果。强烈建议避免直接上传扫描版PDF，优先使用可复制文本版本或经过OCR处理的清晰电子档。此外，chunk_size 的设置也需要结合业务语义调整——太小会导致上下文断裂，太大则影响检索精度。实践中发现，中文场景下300~600字符区间较为理想。

未来，随着嵌入模型和生成模型的持续迭代，这类系统的智能化水平还将不断提升。我们可以预见，它将不再局限于文本问答，而是向语音交互、AR可视化指引、自动化工单生成等方向演进。想象一下，维修人员戴上AR眼镜，指着设备发问：“这个阀门上次检修是什么时候？”系统立刻在视野中叠加显示维护记录——这才是智慧机场的真正图景。

Langchain-Chatchat 并非万能钥匙，但它确实为企业提供了一条切实可行的技术路径：把沉睡在文件夹里的知识唤醒，让它开口说话，服务于每一个需要它的时刻。在机场这样高度复杂、节奏飞快的运营环境中，这种“随问即答”的能力，或许正是通往更高效率与更强韧性的起点。