← 返回项目列表
RAG 检索增强大语言模型Python数据分析风险分析
金融文档 RAG 智能问答系统
面向金融监管文档（PBOC/SAFE法规）构建的 RAG 检索增强问答系统，支持自然语言合规查询并输出带来源引用的精准答案，帮助合规团队快速定位政策依据。
9 分钟阅读
含交互演示
5 个技术标签
项目概述
本项目为金融机构合规团队设计，将人民银行、外汇局等监管部门发布的法规文件转化为可检索的知识库。通过 RAG 架构，用户可用自然语言提问（如「非银支付机构的备付金管理要求是什么」），系统自动检索相关法规段落并由 LLM 综合生成答案，附带原文引用链接。
核心功能
01
混合检索策略：BM25 稀疏检索 + 向量密集检索（双路召回），显著提升复杂法规查询的相关性
02
智能分块：按法规条款边界切割，保留条文语义完整性，避免跨条截断导致的语义丢失
03
LLM 综合答案：检索段落送入大模型，生成连贯解释并标注每个论断的来源条款
04
引用溯源：每条答案附带引用的法规名称、条款编号和原文摘录，支持快速核验
05
多文档联合检索：支持同时检索多部法规，自动处理法规间的交叉引用关系
技术方法
系统架构采用 LangChain + ChromaDB 向量库。文档预处理阶段按监管条款边界切块（chunk_size=512，overlap=64）；检索阶段融合 BM25 与 text-embedding-3-small 向量得分（权重 0.3:0.7）；生成阶段使用 GPT-4o 输出结构化 JSON，包含 answer、sources、confidence 三个字段，前端据此渲染引用卡片。
交互演示
RAG 智能问答演示
在此体验完整的混合检索流水线，实时检索 11 条监管法规并生成带引用的答案。
RAG · 混合检索演示
金融法规智能问答
BM25 + 向量密集检索 · 11 条监管法规 · 实时检索 + 引用生成
11
docs