6个踩坑经验总结：AI问答系统从0到1，效果提升300%！
本文分享了作者构建公司文档AI问答系统的实战经验，重点阐述了在分块策略、向量模型选择、检索参数设置、reranker应用、prompt控制和评估上线六个环节踩到的坑及解决方法。通过优化配置和模型选择，成功提升了问答系统的召回率和回答质量，并提供了配置清单和部署脚本供读者参考。
老板说把公司文档做成AI问答。我想都不想就说三天搞定。
三天后，我对着屏幕上的空回答框发呆。
RAG听起来简单——文档切一切、向量化、搜一下、喂给模型。但每个环节都有坑，踩一遍才知道。
坑1：分块策略抄了别人的
一开始我照着网上的教程，chunk_size=512，chunk_overlap=50，以为稳了。
结果问"2024年Q3财报净利润是多少"——模型答不上来。查了一下，那句话刚好被切成两半，一半在前一个chunk结尾，一半在后一个chunk开头，重叠区也没兜住。
后来改成按段落切（markdown header分割），再按语义边界兜底。chunk用的不是固定字数，是动态的。
坑2：向量模型选错了
选了一个下载量最大的embedding模型，没看它是老版本的。问题和文档不在一个语义空间里。
问"利润率"和文档里的"净利率"匹配不上。换了bge-large-zh-v1.5，召回率从62%跳到89%。
选embedding模型别光看下载量，要看它训练时用的数据集跟你文档领域是不是一类。
坑3：检索只看top_k=3
为了省钱，只召回3个chunk。结果问复杂问题，关键信息在第4个或者第5个chunk里。模型看不到，全靠猜。
后来改成top_k=7，配合reranker排序。费用多了一点，但回答质量明显好了。
坑4：没有reranker
向量检索回来的chunk跟query的相似度是语义层面的，但相关性和语义相似度不是一回事。
加了bge-reranker-v2后，最相关的chunk排到前面，不相关的沉底。效果提升很明显。
坑5：Prompt没控制幻觉
早期prompt写得太松：根据上下文回答问题。模型经常发挥，把不在文档里的信息也编进去。
后来改成：如果上下文里没有直接答案，说"没有相关信息"。执行后幻觉率从27%降到3%。
坑6：没有评估就上线
搭完觉得"差不多"，直接扔给业务用。结果用户问了一堆边界问题，模型要么答非所问要么不回应。
后来搭了一个eval集——50个典型QA，每次改完都跑一遍。效果好不好一眼就能看。
01
什么是AI大模型应用开发工程师？
如果说AI大模型是蕴藏着巨大能量的“后台超级能力”，那么AI大模型应用开发工程师就是将这种能量转化为实用工具的执行者。
AI大模型应用开发工程师是基于AI大模型，设计开发落地业务的应用工程师。
这个职业的核心价值，在于打破技术与用户之间的壁垒，把普通人难以理解的算法逻辑、模型参数，转化为人人都能轻松操作的产品形态。
无论是日常写作时用到的AI文案生成器、修图软件里的智能美化功能，还是办公场景中的自动记账工具、会议记录用的语音转文字APP，这些看似简单的应用背后，都是应用开发工程师在默默搭建技术与需求之间的桥梁。
他们不追求创造全新的大模型，而是专注于让已有的大模型“听懂”业务需求，“学会”解决具体问题，最终形成可落地、可使用的产品。
CSDN粉丝独家福利
给大家整理了一份AI大模型全套学习资料，这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取【保证100%免费】
02
AI大模型应用开发工程师的核心职责
需求分析与拆解是工作的起点，也是确保开发不偏离方向的关键。
应用开发工程师需要直接对接业务方，深入理解其核心诉求——不仅要明确“要做什么”，更要厘清“为什么要做”以及“做到什么程度算合格”。
在此基础上，他们会将模糊的业务需求拆解为具体的技术任务，明确每个环节的执行标准，并评估技术实现的可行性，同时定义清晰的核心指标，为后续开发、测试提供依据。
这一步就像建筑前的图纸设计，若出现偏差，后续所有工作都可能白费。
技术选型与适配是衔接需求与开发的核心环节。
工程师需要根据业务场景的特点，选择合适的基础大模型、开发框架和工具——不同的业务对模型的响应速度、精度、成本要求不同，选型的合理性直接影响最终产品的表现。
同时，他们还要对行业相关数据进行预处理，通过提示词工程优化模型输出，或在必要时进行轻量化微调，让基础模型更好地适配具体业务。
此外，设计合理的上下文管理规则确保模型理解连贯需求，建立敏感信息过滤机制保障数据安全，也是这一环节的重要内容。
应用开发与对接则是将方案转化为产品的实操阶段。
工程师会利用选定的开发框架构建应用的核心功能，同时联动各类外部系统——比如将AI模型与企业现有的客户管理系统、数据存储系统打通，确保数据流转顺畅。
在这一过程中，他们还需要配合设计团队打磨前端交互界面，让技术功能以简洁易懂的方式呈现给用户，实现从技术方案到产品形态的转化。
测试与优化是保障产品质量的关键步骤。
工程师会开展全面的功能测试，找出并修复开发过程中出现的漏洞，同时针对模型的响应速度、稳定性等性能指标进行优化。
安全合规性也是测试的重点，需要确保应用符合数据保护、隐私安全等相关规定。
此外，他们还会收集用户反馈，通过调整模型参数、优化提示词等方式持续提升产品体验，让应用更贴合用户实际使用需求。
部署运维与迭代则贯穿产品的整个生命周期。
工程师会通过云服务器或私有服务器将应用部署上线，并实时监控运行状态，及时处理突发故障，确保应用稳定运行。
随着业务需求的变化，他们还需要对应用功能进行迭代更新，同时编写完善的开发文档和使用手册，为后续的维护和交接提供支持。
03
薪资情况与职业价值
市场对这一职业的高度认可，直接体现在薪资待遇上。
据猎聘最新在招岗位数据显示，AI大模型应用开发工程师的月薪最高可达60k。
在AI技术加速落地的当下，这种“技术+业务”的复合型能力尤为稀缺，让该职业成为当下极具吸引力的就业选择。
AI大模型应用开发工程师是AI技术落地的关键桥梁。
他们用专业能力将抽象的技术转化为具体的产品，让大模型的价值真正渗透到各行各业。
随着AI场景化应用的不断深化，这一职业的重要性将更加凸显，也必将吸引更多人才投身其中，推动AI技术更好地服务于社会发展。
CSDN粉丝独家福利
给大家整理了一份AI大模型全套学习资料，这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取【保证100%免费】