企业培训场景下，学员需在大量 PDF 课件、PPT、Word 制度文档中查找知识点，传统关键词搜索效果差。本文介绍企学宝如何基于 RAG（检索增强生成）架构，在阿里云上构建企业培训 AI 学习助手，覆盖课件解析、语义切片、向量检索、多轮对话管理及幻觉抑制等核心环节，并分享生产环境踩坑经验。
一、为什么企业培训适合 RAG
- 知识边界封闭：培训课件、制度文档属企业私域知识，适合向量库检索
- 强合规要求：答案必须可溯源至原文，不能凭模型"编造"
- 文档格式复杂：PDF/PPT/Word/Excel/扫描件/ASR字幕并存
- 高频重复提问：适合用检索+生成降低人工答疑成本
二、整体架构（阿里云技术栈）
课件上传 → OSS对象存储
↓
文档解析服务（Tika + 自研PPT/PDF解析 + 阿里云OCR）
↓
语义切片 → text-embedding-v3（DashScope）→ 写入阿里云Milvus
↓
用户提问 → Query改写 → Hybrid检索(Milvus向量+BM25)
↓
Re-rank精排 → 拼装Prompt → 通义千问(qwen-plus/turbo)推理
↓
返回答案 + 原文溯源引用 + Redis缓存会话状态
| 模块 | 阿里云选型 |
|---|---|
| 文件存储 | 阿里云 OSS（标准/归档生命周期） |
| 向量数据库 | 阿里云 Milvus / 自建 Milvus on ECS |
| Embedding | DashScope text-embedding-v3 |
| LLM | 阿里云百炼 — 通义千问 qwen-plus / qwen-turbo |
| OCR | 阿里云 视觉智能开放平台 OCR |
| 缓存/会话 | 阿里云 KVStore（Redis） |
| 日志/监控 | 日志服务 SLS + ARMS |
三、课件解析——最容易被低估的环节
多格式分层解析策略
- 文本型 PDF/Word/PPT → Apache Tika 提取文本+标题层级
- 扫描件/图片 → 阿里云 OCR 识别
- PPT → 逐页解析保留标题/项目符号/备注，图片 ALT 作为补充
- Excel → 按"知识点行"结构化转文本
- 音视频 → ASR 转写，按时间戳分段
保留来源元信息很关键：
{
"course_id": "SC-2026-001",
"source": "安全生产培训.pptx",
"page": 12,
"chapter": "高处作业安全规范",
"content": "登高作业必须使用双钩安全带……",
"doc_type": "slide"
}
四、切片策略——效果的决定性因素
我们采用标题驱动 + 语义边界约束 + 重叠窗口：
- 以 H1/H2 标题为锚点分组
- 单块 300–500 token，相邻块 10%–15% 重叠
- 表格/代码/公式独立成块，不断开
- 过长的段落再按标点做二次切分
def split_by_heading(blocks, max_tokens=500, overlap=50):
chunks, cur = [], []
for b in blocks:
if b.is_heading and cur:
chunks.append(merge(cur))
cur = overlap_tail(cur)
cur.append(b)
if token_len(cur) >= max_tokens:
chunks.append(merge(cur))
cur = overlap_tail(cur)
if cur: chunks.append(merge(cur))
return chunks
五、向量检索与混合搜索
纯向量检索对专有名词（如"动火作业票""GB/T 29639"）召回不稳定，因此使用：
- Milvus 向量 ANN 检索（余弦相似度）
- BM25 关键词倒排（ES 或 Milvus 标量过滤）
- RRF（Reciprocal Rank Fusion）融合排序
- 初召回 Top-20 → Cross-Encoder Re-rank → Top-3~5 送入 LLM
六、多轮问答与会话管理
处理追问如："高处作业要哪些防护？"→"雨天呢？"→"有事故案例吗？"
- 最近 3–5 轮完整保留
- 早期历史由 LLM 压缩为意图摘要
- 每轮携带
course_id，限制检索命名空间 - Query Rewrite：结合历史把代词/省略补全为独立问句
Prompt 设计要点：
你是企业培训助手，仅基于【参考资料】作答。
- 答案须出自资料，不确定时答"资料中未提及"
- 末尾注明来源（文件名+页码/章节）
- 禁止编造数据或条款
七、幻觉抑制与合规控制
企业培训中幻觉比拒答更危险，我们采用多层防御：
- Prompt 强约束 + 强制引用溯源
- 实体校验：日期/条款号正则核对
- 敏感词过滤：对接企业合规词库
- 低置信拒答：检索 score 低于阈值直接返回"未找到相关内容"
实测将幻觉率从初期 15%+ 压至 3% 以内。
八、性能与成本优化
- OSS 生命周期：冷课件自动转归档存储
- Embedding 去重缓存：相同课件切片不重复计算
- 高频 Q&A 结果缓存（Redis）
- 百炼 API 选择：简单释义用 qwen-turbo，复杂推理用 qwen-plus
- 弹性伸缩：大促/校招季扩容 ECS + Milvus 只读节点
九、落地效果
在企学宝多个中大型客户（制造/零售/央企）培训项目中：
- 学员查知识点时间：分钟级 → 秒级
- 培训完课率提升约 15%–25%（因为有 7×24 答疑）
- 所有回答可溯源原文，满足合规审计要求
典型场景：新员工入职制度问答、安全生产规范速查、产品知识库陪练、考前自助复习。
十、经验清单
- ✅ 文档解析必须保留来源/层级/页码
- ✅ 切片别只按字数，要结合标题结构
- ✅ Hybrid Search + Re-rank 是准确率提升关键
- ✅ 多轮对话一定做 Query Rewrite + 命名空间隔离
- ✅ 幻觉控制靠 Prompt + 溯源 + 低置信截断三层
- ✅ OSS + Milvus + 百炼是较成熟的企业级组合
作者：企学宝技术团队
