1. 解决"向量嵌入的领域失配"问题
避坑实践：
- 领域适配嵌入模型选择：
classMedicalEmbeddingModel:def__init__(self):# 尝试多个领域专用模型self.models={"sentence-transformers/all-mpnet-base-v2":"通用","microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract":"生物医学","GanjinZero/UMLSBert_ENG":"医学术语","custom_finetuned":"自研微调模型"}defevaluate_models(self,medical_benchmark):results={}formodel_name,descriptioninself.models.items():# 在医疗术语相似性任务上评估accuracy=self._test_medical_similarity(model_name,benchmark)results[model_name]={"accuracy":accuracy,"latency":self._test_latency(model_name),"cost":self._estimate_cost(model_name)}# 选择最佳模型best_model=max(results,key=lambdax:results[x]["accuracy"]*0.7+(1/results[x]["latency"])*0.2+(1/results[x]["cost"])*0.1)returnbest_model,results- 自定义微调策略：
# 在医学问答数据集上继续训练training_data=[{"text":"对于高血压患者，首选药物是ACE抑制剂。","label":"心血管"},{"text":"2型糖尿病治疗应考虑二甲双胍。","label":"内分泌"},# ... 10万条医学文本]# 使用LoRA高效微调model=AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")lora_config=LoraConfig(r=16,lora_alpha=32,target_modules=["query","value"],lora_dropout=0.1)model=get_peft_model(model,lora_config)结果：领域适配模型在医疗术语匹配任务上比通用模型提升41%。
2. 解决"关键词与向量检索的割裂使用"问题
避坑实践：
- 构建混合检索流水线：
classHybridRetriever:def__init__(self):self.keyword_retriever=ElasticsearchRetriever(index="medical_keyword")self.vector_retriever=VectorDBRetriever(index="medical_vector")self.reranker=CrossEncoderReranker(model="medical-reranker-v1")defretrieve(self,query,top_k=10):# 并行检索keyword_results=self.keyword_retriever.search(query,top_k=top_k*2)vector_results=self.vector_retriever.search(query,top_k=top_k*2)# 合并并去重combined=self._merge_and_deduplicate(keyword_results,vector_results)# 重排序reranked=self.reranker.rerank(query,combined[:top_k*3])returnreranked[:top_k]- 动态权重调整：
defcalculate_query_type(self,query):# 分析查询特征features={"has_medical_code":bool(re.search(r'[A-Z]\d{2,}',query)),# ICD代码"has_drug_name":self._contains_drug_name(query),"is_factual":len(query.split())<8,# 短查询多为事实型"is_complex":"difference"inqueryor"compare"inquery# 复杂比较}# 根据查询类型调整权重iffeatures["has_medical_code"]orfeatures["has_drug_name"]:return{"keyword_weight":0.7,"vector_weight":0.3}eliffeatures["is_factual"]:return{"keyword_weight":0.6,"vector_weight":0.4}else:return{"keyword_weight":0.3,"vector_weight":0.7}结果：检索准确率从68%提升到89%，召回率从72%提升到85%。
3. 解决"Top-K参数的盲目设定"问题
避坑实践：
- 查询复杂度分类器：
classQueryComplexityClassifier:defclassify(self,query):features=self._extract_features(query)# 使用轻量级模型预测complexity=self.model.predict(features)# 动态设置K值k_mapping={"simple":3,# 简单事实查询"moderate":7,# 中等复杂度"complex":15,# 复杂查询"very_complex":25# 非常复杂（如比较多个治疗方案）}returncomplexity,k_mapping[complexity]def_extract_features(self,query):return{"query_length":len(query.split()),"num_medical_terms":self._count_medical_terms(query),"num_conditions":self._extract_conditions(query),"question_type":self._detect_question_type(query)# what, how, compare等}- 自适应检索机制：
defadaptive_retrieve(self,query):# 初始检索initial_k=5initial_results=self.retriever.retrieve(query,top_k=initial_k)# 检查结果质量ifself._is_sufficient(initial_results,query):returninitial_results# 质量不足，扩大检索范围expanded_k=15expanded_results=self.retriever.retrieve(query,top_k=expanded_k)# 对扩展结果进行过滤和重排序filtered=self._filter_redundant(expanded_results)returnfiltered[:10]# 返回最终10个结果：简单查询延迟降低40%，复杂查询准确率提升25%。
4. 解决"多轮对话的上下文失忆"问题
避坑实践：
- 对话状态管理器：
classDialogueStateManager:def__init__(self):self.conversations={}# session_id -> ConversationStatedefprocess_query(self,session_id,current_query):state=self.conversations.get(session_id,ConversationState())# 1. 查询重写rewritten_query=self._rewrite_query(state.history,current_query)# 2. 检索增强retrieval_query=self._build_retrieval_query(state,rewritten_query)# 3. 更新对话历史state.add_turn(current_query,rewritten_query)returnretrieval_query,state- 查询重写模型：
defrewrite_query(self,history,current_query):# 构建重写提示prompt=f""" 基于以下对话历史，将当前查询重写为完整的、独立的查询。 对话历史：{history}当前查询：{current_query}重写后的查询： """# 使用小型LLM进行重写rewritten=self.llm.generate(prompt,max_tokens=100)returnrewritten.strip()- 实体追踪机制：
classEntityTracker:deftrack(self,conversation):entities={}forturninconversation:# 提取医疗实体turn_entities=self.ner_model.extract(turn["query"])# 更新实体状态forentityinturn_entities:ifentity["text"]notinentities:entities[entity["text"]]={"type":entity["type"],"first_seen":turn["timestamp"],"last_seen":turn["timestamp"],"count":1}else:entities[entity["text"]]["last_seen"]=turn["timestamp"]entities[entity["text"]]["count"]+=1returnentities结果：多轮对话准确率从45%提升到78%。
5. 解决"长文档检索的粒度失控"问题
避坑实践：
- 构建层次化索引架构：
classHierarchicalIndex:def__init__(self):# 三级索引self.indices={"document_level":VectorDB(index_type="document"),"section_level":VectorDB(index_type="section"),"paragraph_level":VectorDB(index_type="paragraph")}defsearch(self,query):results=[]# 1. 文档级检索（宏观问题）ifself._is_macro_question(query):doc_results=self.indices["document_level"].search(query,top_k=3)results.extend(doc_results)# 2. 段落级检索（细节问题）ifself._is_detailed_question(query):para_results=self.indices["paragraph_level"].search(query,top_k=10)results.extend(para_results)# 3. 章节级检索（中等粒度）section_results=self.indices["section_level"].search(query,top_k=5)results.extend(section_results)returnself._merge_and_rerank(results)- 粒度分类器：
defclassify_granularity(self,query):macro_keywords=["overview","summary","principle","guideline"]detail_keywords=["dosage","specific","exact","number","mg"]macro_score=sum(1forwordinmacro_keywordsifwordinquery.lower())detail_score=sum(1forwordindetail_keywordsifwordinquery.lower())ifmacro_score>detail_score:return"macro"elifdetail_score>macro_score:return"detail"else:return"mixed"结果：长文档查询准确率提升52%，检索速度提升30%。
