基于RAG的中医问答系统构建与优化实践

1. 项目背景与核心价值

去年在开发医疗问答系统时，我遇到一个典型问题：当用户询问"反复头痛三天该吃什么药"时，大模型要么给出笼统建议，要么生成存在安全隐患的用药方案。这促使我开始探索如何让AI在专业领域给出有据可依的可靠回答。RAG（Retrieval-Augmented Generation）技术正是解决这一痛点的利器。

这个"AI老中医"项目的核心价值在于：

• 建立中医知识检索系统，确保每句诊断建议都有典籍依据
• 通过向量化技术实现症状与方剂的精准匹配
• 控制生成内容的可靠性，避免大模型的"幻觉"问题
• 可扩展至其他专业领域（法律、金融等）的问答场景

2. 技术架构设计

2.1 整体流程设计

系统采用经典RAG架构并针对中医场景优化：

code复制用户提问 → 症状关键词提取 → 向量数据库检索 → 相关典籍片段召回 → 提示词工程构建 → 大模型生成回答 → 引用标注输出

2.2 关键组件选型

• Embedding模型：选用bge-small-zh-v1.5模型（108MB，适合中小规模部署）
• 向量数据库：Qdrant（比Milvus更轻量，支持精确过滤）
• 大模型：ChatGLM3-6B（医疗领域微调版）
• 知识库来源：
  • 《伤寒论》等经典方剂文本
  • 三甲医院真实医案数据（脱敏处理）
  • 国家药典中药材数据库

注意：中医典籍需转换为现代标点版本，原始竖排文本会显著影响Embedding质量

3. 知识库构建实战

3.1 数据预处理要点

1. 文本清洗：去除"【注】"等干扰符号，统一"证候"、"症候"等术语
2. 分块策略：
   • 方剂类：按"组成-功效-主治"分块（约150字/块）
   • 医案类：按"主诉-辨证-治法-方药"分块
3. 元数据标注：

python复制{
  "source": "《金匮要略》",
  "page": 123,
  "category": "方剂/经方", 
  "symptom_tags": ["头痛","发热","恶寒"]
}

3.2 向量化实践

采用动态加权Embedding策略提升检索精度：

python复制from FlagEmb