1?? 業(yè)務背景與挑戰(zhàn)

?? 痛點

• 傳統(tǒng)倒排召回 → 語義缺失
• 純向量召回 → 長尾題漂移
• 大模型幻覺 → 人審不通過

2?? 技術架構全景圖

3?? 48 小時沖刺路線圖

4?? 數(shù)據(jù)層：清洗與向量化

4.1 題庫畫像（50 w 題）

4.2 清洗腳本

# openrefine_grel.py
value.replace(/[\n\r]+/,' ').strip()

清洗后噪聲 ↓ 18 %，平均長度 ↓ 12 %。

4.3 向量化

• 模型：bge-large-zh-v1.5
• 維度：1024
• 批量：2048
• 耗時：1 h 10 min（A100 * 2）

5?? 檢索層：混合檢索 + 重排序

5.1 粗排

5.2 精排

• CrossEncoder：cross-encoder/ms-marco-MiniLM-L-6-v2
• 輸入：query + 候選題
• 輸出：相似度 0~1
• 提升：Top5 Hit +6 %，延遲 +15 ms

6?? 生成層：Prompt 工程 & LLM 微調

6.1 零樣本 Prompt（基線）

給定題干：{question}

請推薦 5 道相似題，要求難度一致。

6.2 少樣本 + 思維鏈

題干：{question}

相似判定規(guī)則：

1. 考察知識點重疊 ≥80%

2. 難度等級相同

輸出格式：JSON，字段[id,title,reason]

6.3 LoRA 微調

• 基礎模型：baichuan2-13b-chat
• 數(shù)據(jù)：3 k 人工標注
• 訓練：LoRA rank=32，1 epoch，30 min
• 結果：幻覺 ↓ 28 %，人審通過率 ↑ 13 %

7?? API 層：高并發(fā)、低延遲、可觀測

7.1 架構

• Go + Gin
• 連接池：qdrant 50、PostgreSQL 100
• 緩存：Redis 2 GB LRU

7.2 壓測報告

8?? 實驗與效果

8.1 離線評估

8.2 A/B 線上數(shù)據(jù)（7 天）

• 實驗組：20 % 流量
• 關鍵指標：
  • 面試官滿意度 +9.4 %
  • 人均篩選時長 ↓ 12 %

9?? 線上灰度與回滾策略

?? 經(jīng)驗總結 & 下一步計劃

在 48 小時內，我們圍繞“檢索-重排-生成”鏈路，把 ADP 面試相似題 API 的核心指標全部抬升。關鍵經(jīng)驗：

• 用混合檢索先保召回，再用輕量級 CrossEncoder 精排，最后 Prompt 微調抑制幻覺。
• 工程上“緩存 + 批量 + 并行”三板斧，把 P99 延遲壓到 500 ms 以內。
• 全流程可觀測，K6 + Grafana + Argo 讓回滾像 Git Revert 一樣順滑。

下一步：

1. 引入多模態(tài)（題干+代碼圖）
2. 在線 RLHF 微調
3. 題庫知識圖譜自動化更新