效果展示（环境依赖请参看上一篇文章）：

qa.json（示例知识）：

测试结果：

引言

在构建智能问答系统时，常常遇到用户提问方式多样化的问题。即使问题本质相同，表达方式可能千差万别。为了提高搜索和匹配的准确性，我们需要对原始问题进行扩展，即生成多个同义表达。这有助于增强向量检索的召回能力，从而提升问答系统的性能。

Demo的目标是基于 Hugging Face 预训练模型和 FAISS 向量数据库，实现高效的知识检索，支持对用户问题的同义扩展，并通过向量搜索提供最佳答案。

问题分析

在传统的基于关键字匹配的问答系统中，用户的查询必须与数据库中的问题文本完全匹配，否则无法找到答案。这样的方法存在以下缺陷：

1. 用户表达多样性：相同的问题可以有多种不同的提问方式，例如“天气怎么样？”与“今天的天气如何？”
2. 查询灵活性不足：固定的问答库难以覆盖所有可能的提问方式，导致问答系统容易失配。
3. 检索准确度低：单纯的关键字匹配容易受到语序、停用词等因素影响。

为了解决这些问题，我们需要构建一个基于语义的查询扩展和高效的向量检索系统。

解决方案

本项目采用以下方法来优化问答系统的性能：

1. 生成同义表达：
   • 使用 Hugging Face 预训练的大模型（Qwen1.5-1.8B）生成不同的问法。
   • 通过 prompt 设定规则，确保生成的问法保持原意但表达不同。
2. 构建向量数据库：
   • 采用 BAAI/bge-large-zh 作为嵌入模型，将问题转换为向量。
   • 使用 FAISS 存储和索引这些向量，提高检索效率。
3. 语义匹配优化：
   • 通过向量相似度搜索，而非简单的关键字匹配，来提高查询命中率。
   • 设定合理的相似度阈值，减少无关答案。

为什么选择这些技术