1. 目标与边界
面向企业知识与流程的问答/助手，强调可追溯、可治理、可回归与低运维成本。
- 目标：可信回答与来源引用、低幻觉率、统一评测与灰度机制。
- 边界：仅回答授权范围内的问题；越权与无依据时优雅拒答。
2. 数据与知识库
- 采集：结构化（DB/接口）、半结构化（表格/文档）、非结构化（PDF/网页）。
- 清洗与切分：去重、模板化抽取；按语义切分并保留层级/页码。
- 索引：Embedding + 向量库（pgvector/Milvus/FAISS），配合倒排与重排。
- 权限：元数据中记录 ACL/租户/标签，检索阶段过滤。
3. 检索与生成
- 召回：向量检索；必要时 BM25 混合检索；Top-k 召回 20–50。
- 重排：cross-encoder 精排 5–8 段，显著降低幻觉与跑题。
- 生成：提示模板注入片段；结构化输出（结论/要点/引用）。
- 拒答策略：当证据不足时明确拒答并给出可能的下一步。
4. 智能体与工具
- 函数调用：数据库/检索/业务接口；输出验证与异常回退。
- 工作流：计划—执行—反馈；长时任务使用队列与状态机。
5. 评测与回归
- 构建数据集：问答对/引用校验/拒答样例；覆盖关键业务域。
- 自动回归：每次变更（数据/索引/提示/模型）触发评测与对比报告。
- 指标：正确性、相关性、可追溯性、拒答准确性、成本与时延。
6. 安全与合规
- 输入治理：越狱/提示注入防护、敏感词与数据脱敏。
- 输出治理：Schema 校验、判别器/规则、人工抽检与追责。
- 合规：隐私、留痕与审批；第三方模型的数据边界说明。
7. 参考选型
- 模型/推理：OpenAI API、Anthropic、Google、vLLM/Ollama。
- 框架：LangChain/LlamaIndex；评测：OpenAI Evals/自研。
- 向量：pgvector/Milvus/Weaviate；重排：bge-reranker 等。
8. 交付与运维
- 多环境：数据/索引与提示版本化；灰度与回滚流程。
- 可观测：指标/日志/追踪齐全；质量看板与告警闭环。
