客服系统从 RAG 到 LightRAG 的全链路升级

从 RAG 到 LightRAG 的全链路升级

本文针对传统RAG存在的意图识别模糊、知识碎片化及缺乏评测闭环等痛点，提出了一套系统性解决方案：首先，利用思维链（CoT）驱动的意图识别，将用户问题分解为多步逻辑查询并行检索，解决了上下文工程中查询不精准的问题；其次，在检索架构上，对比了GraphRAG高昂的构建成本与维护难度，文章重点阐述了LightRAG的落地实践，通过实体关系抽取与双层检索范式，在保留图结构优势的同时实现了秒级响应与增量更新；最后，构建了多维度的评测体系，强调人工校验以克服模型“过度自信”，旨在通过数据驱动的方式持续提升答疑系统的上下文构建能力。

引⾔

当你问一个 AI 助手"怎么在平台上配置灰度发布"，它却回答你一段 Kubernetes 的通用教程——这种"答非所问"的体验，相信很多做过 AI 答疑系统的团队都不陌生。本文将分享我们在内部 AI 答疑助手项目中，如何系统性地解决这类问题。文章聚焦在我们认为真正有技术深度的三个方向：基于思维链驱动的意图识别与并行检索架构、从 GraphRAG 到 LightRAG 的检索演进，以及评测体系的闭环建设。

背景与问题

我们团队维护着一个面向内部开发者的 AI 答疑助手，覆盖前端研发框架、开发平台、工具链、跨端组件等领域，同时深度集成了研发平台能力，支持直连平台工具查询构建、发布、监控等状态信息。

初期版本采用经典的 Naive RAG 路线：用户问题 → 知识库向量召回 →