从缓存到知识库：用 RAG 给 OCR 系统加上“长期记忆”

当“精确匹配”遇到瓶颈，“语义检索”让缓存更有价值

一、背景

在从零搭建智能体检报告解析系统：OCR + 本地大模型实践-CSDN博客中，我们搭建了一套“OCR + 本地大模型”的体检报告解析系统。虽然项目可以跑起来，但是本着精益求精的精神我发现还有几个优化点，1是可以增加缓存提高速度和降低成本，2是增加rag检索增强语义检索，后续还能在次基础上进行数据分析。以下为正文：

百度OCR每日有1000的免费调用额度，1000次听起来不少，但在实际业务场景中：

• 同一份报告可能被多次提交（HR重复上传、候选人重新发送）

• 不同候选人可能提交同一家医院的同类报告

• 测试和调试阶段也会消耗调用次数

如果1000次用完了怎么办？

于是产生了这个需求——给OCR系统加上缓存。

text

核心需求清单： 1. 上传文件计算MD5，已处理过直接返回缓存结果 2. 缓存命中后，用Tesseract快速验证人员信息是否一致（防止缓存“张冠李戴”） 3. 百度OCR每日1000条调用限制，超出自动降级到Tesseract 4. 缓存、限流都有独立开关，方便调试和应急切换 5. 每个缓存条目做成可检索的知识库，方便后续查询分析

二、刚性MD5精确缓存

最简单的缓存思路：文件内容不变，结果就不变。

计算上传文件的MD5值作为Key，OCR结果作为Value存入Redis：

text

┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ 上传文件 │ ──▶ │ 计算 MD5 │ ──▶ │ 查询 Redis │ └──────────────┘ └──────────────┘ └──────┬───────┘ │ ┌─────────────┴─────────────┐ │ │ ▼ ▼ ┌───────────┐ ┌───────────┐ │ 命中缓存 │ │ 未命中 │ │ 直接返回 │ │ 走百度OCR │ └───────────┘ └───────────┘

为什么还要加“人员信息比对”？

缓存最大的风险是“张冠李戴”——文件相同，缓存结果也相同，这没问题。但万一Redis里的缓存数据被污染了（比如之前识别错了），后续所有命中都会返回错误结果。

所以加了缓存校验逻辑：命中缓存后，用Tesseract（免费离线OCR）快速提取一下当前文件的人员姓名和体检日期，与缓存中存储的比对。匹配则返回，不匹配则重新走百度OCR，并更新缓存。

java

// 缓存命中后，快速校验 PatientInfo cachedInfo = cacheEntry.getPatientInfo(); PatientInfo quickInfo = tesseract.extractPatientInfo(fileBytes); if (match(cachedInfo, quickInfo)) { return cacheEntry; // 校验通过，放心返回 } else { evictCache(md5); // 校验失败，清除缓存，重新识别 return executeBaiduOcr(fileBytes); }

每日限流 + 自动降级

每天1000次的配额，用Redis做原子计数：

yaml

ocr: rate-limit: enabled: true daily-limit: 1000

配额用完或百度OCR不可用时，自动降级到Tesseract（虽然准确率稍低，但够用）：

java

if (!rateLimit.tryAcquire()) { log.warn("今日配额已用完，降级到Tesseract"); return fallbackToTesseract(fileBytes); }

三、第二层：RAG语义缓存

MD5缓存有个硬伤——太“刚”了。

如果能把“缓存”升级为“相似报告检索”，就能解决这个问题。RAG（检索增强生成）正好做这件事。

RAG缓存的核心思路

1. 每次OCR完成后，把结果摘要（姓名、年龄、体检日期、指标异常情况）向量化

2. 存入Dify知识库

3. 新报告来的时候，先用Tesseract快速提取摘要，在知识库中做相似度检索

4. 相似度超过阈值（如0.85）则直接复用，否则走百度OCR

text

┌─────────────────────────────────────────────────────────────────────────────┐ │ MD5缓存查不到 或 格式变了 │ │ ↓ │ │ Tesseract快速提取摘要（姓名+年龄+体检日期+指标概要） │ │ ↓ │ │ 在RAG知识库中语义检索（向量相似度） │ │ ↓ │ │ 相似度 > 0.85？ │ │ ├── 是 → 复用缓存的OCR结果（即使格式不同，内容相似） │ │ └── 否 → 走百度OCR → 新结果存入RAG知识库 │ └─────────────────────────────────────────────────────────────────────────────┘

具体实现

每个缓存条目存储：

json

{ "id": "uuid", "md5": "abc123...", "patient_info": {"name": "邓飞", "age": 52, "exam_date": "2026-04-10"}, "indicators": [{"name": "甘油三酯", "value": 4.82, "status": "abnormal"}], "summary": "姓名：邓飞，年龄：52岁，异常指标：甘油三酯偏高、血糖偏高", "tags": ["高血糖", "高血脂", "心电图异常"], "engine": "baidu" }

检索摘要的生成：把人员信息和指标状态组合成一段自然语言：

text

姓名：邓飞，性别：男，年龄：52岁，体检日期：2026-04-10 异常指标：甘油三酯:4.82、血糖:7.20 正常指标：白细胞:6.19、血红蛋白:152、血小板:241

这段文本用Embedding模型（如nomic-embed-text）向量化后存入知识库。新报告来时，生成同样的摘要格式做检索，语义相似度高的就能命中。

MD5缓存 vs RAG缓存：分工协作

它们不是互斥的，是互补的——MD5做精确匹配，RAG做语义相似，两层都查不到才走百度OCR。

四、关键代码片段

4.1 缓存优先级策略

java

public OcrResult extract(MultipartFile file) { byte[] bytes = file.getBytes(); String md5 = Md5Util.calculate(bytes); // 1. 精确缓存（MD5） CacheEntry cached = exactCache.get(md5); if (cached != null && validation.pass(cached, bytes)) { return OcrResult.exactCache(cached); } // 2. 快速提取摘要，查RAG缓存 String summary = tesseract.extractSummary(bytes); RagHitResult ragHit = ragCache.search(summary); if (ragHit.isHit()) { return OcrResult.ragCache(ragHit.getEntry()); } // 3. 检查配额 if (!rateLimit.tryAcquire()) { return fallbackToTesseract(bytes); } // 4. 执行百度OCR OcrResult result = baiduOcr.extract(bytes); // 5. 存入两层缓存 exactCache.put(md5, result); ragCache.save(result); return result; }

4.2 每日限流实现（Redis原子计数）

java

public boolean tryAcquire() { String key = "ocr:ratelimit:" + LocalDate.now(); RAtomicLong counter = redissonClient.getAtomicLong(key); if (counter.get() == 0) { // 首次使用，设置次日凌晨过期 counter.expire(getSecondsUntilMidnight(), TimeUnit.SECONDS); } if (counter.get() >= 1000) { return false; // 配额已用完 } counter.incrementAndGet(); return true; }

五、开关控制

所有功能都有独立开关，方便调试和应急：

yaml

ocr: cache: enabled: true # 精确缓存开关 expire-days: 30 rag-cache: enabled: true # RAG缓存开关 similarity-threshold: 0.85 rate-limit: enabled: true # 每日限流开关 daily-limit: 1000 validation: enabled: true # 缓存校验开关

调试场景：

• 测试新逻辑时，关掉所有缓存ocr.cache.enabled: false和ocr.rag-cache.enabled: false

• 压测时，关掉限流ocr.rate-limit.enabled: false

• 怀疑缓存数据有问题时，关掉校验ocr.validation.enabled: false

六、效果与收益

核心收益：

• 个人百度OCR账号的1000次/天额度变得够用（缓存命中率70%+）

• 响应速度从30-60秒降到1-5ms（缓存命中时）

• 积累了一个可检索的体检报告知识库

• 为后续的“相似报告推荐”、“异常趋势分析”打下基础

七、总结

RAG这个知识库还可以做更多事情

• 输入“最近一个月有多少份高血糖报告？”→ 语义检索 + 统计

• 输入“有没有和XX情况类似的候选人？”→ 相似案例推荐

• 输入“甘油三酯异常的报告都是哪些医院的？”→ 分类分析

从缓存到知识库，从精确匹配到语义理解，这套方案让“省钱”变成了“积累”。