在上次分享知识库切片方案后，我们收到了不少朋友的反馈与讨论。今天进一步深入探讨如何将切片方案优化为问答对模式，同时梳理RAG（检索增强生成）落地过程中的常见陷阱及各家的解决方案。希望这些实战经验能帮助大家少走弯路。

一、附件与图片如何存储？告别“污染”问答对

文档切片转化为问答对后，一个常被忽略的问题是：原始文档中的图片、附件到底该如何处理？很多人可能没意识到，这里存在一个小陷阱。

解决方案：其实很简单。在将问答对存入向量数据库时，额外创建一个备注字段，专门用于存储图片、附件的链接或标识信息。

为什么不直接塞进问答对里？

• 保证回答质量和准确度：问答对是AI回复质量的核心。任何设计都应首要避免“污染”问答对本身，确保其内容独立与纯净。
• 便于后期维护：将截图、附件和问答对分开存放，后续维护会轻松很多。图片需要更新时，直接修改备注字段即可，完全无需改动AI已学习的问答内容，维护成本大幅降低。

二、巧妙利用大语言模型生成高质量问答对

想要大语言模型高效地生成问答对，掌握一些小技巧可以事半功倍。

基本思路：先明确告知模型当前处理的是技术文档，然后引导其根据文档内容生成问答对。

一个值得关注的“巧思”：

你可能注意到，截图中的对话看似是两次交互，实则只进行了一次——这意味着成本直接减半。如何实现？关键在于大语言模型的对话历史记录是可以“设计”的。在截图中，模型回复的那句“好的，我将在后续任务参考上述文档。请告诉我你的具体任务”，实际上是预先伪造的历史记录，让模型误以为已是第二轮对话，而实际上这才是我们与模型的第一次真实互动。

别忘了Summary信息：留意模型回复中的Summary信息，这是特意让大模型创建的，目的是帮助模型在给最终用户生成回复时，更快、更准确地理解问题和上下文，直接提升用户体验。

我们采用的问答对存储结构（Payload）：

三、技术架构与部署方案

整体方案覆盖了RAG的三大核心环节：构建、检索与生成。

技术架构：

• 构建 (ETL)：数据提取、切片、向量化。
• 检索 (Retrieval)：混合检索 + RRF排序。
• 生成 (Generation)：问答模式 + 思考模式。

部署方案中使用的数据库：

• Qdrant向量数据库
• MySQL数据库