RAG架构在个性化祝福语生成中的实战与优化

1. 项目背景与核心问题

去年春节前夕，我团队接到一个有趣的需求：为某社交平台开发智能祝福语生成功能。产品经理的原话是"要让用户感觉每句祝福都像量身定制"。最初我们尝试用传统NLP模型生成祝福语，但很快发现两个致命问题：

1. 生成内容虽然语法正确，但缺乏情感共鸣（用户反馈"像机器人写的"）
2. 无法结合具体对象特征（比如对长辈和同事用同样的祝福模板）

这时我们注意到RAG（Retrieval-Augmented Generation）架构在个性化内容生成领域的潜力。但将祝福语这种高度依赖语境和情感表达的短文本塞进向量数据库，真的能实现"走心"效果吗？经过三个月的实战验证，我们得出了些反直觉的结论。

2. 技术方案设计

2.1 传统方法的局限性

最初我们测试了三种主流方案：

特别是在测试"给刚升职的老同学写祝福"场景时，纯向量检索返回的结果是："恭喜升职！祝你事业蒸蒸日上"。虽然正确但过于通用，而GPT微调版生成："听说你征服了新的高度，就像我们当年一起登顶泰山时那样..." 后者明显更有记忆点，但存在30%概率虚构不存在的事件。

2.2 RAG混合架构设计

最终方案采用三阶段流程：

1. 知识库构建：

   • 收集10万条人工撰写祝福语
   • 每条标注：适用场景（春节/生日等）、对象关系（亲人/同事等）、情感强度（1-5分）
   • 使用BAAI/bge-small-zh-v1.5模型生成768维向量

2. 检索增强：

   python复制def retrieve_blessings(query_embedding, top_k=3):
       # 计算余弦相似度
       scores = np.dot(vectors, query_embedding.T)
       # 混合排序：60%相似度 + 20%情感分 + 20%热度分
       combined_scores = 0.6*scores + 0.2*emotion_scores + 0.2*popularity  
       return indices[np.argsort(combined_scores)[-top_k:]]
   

3. 生成控制：

   • 将检索结果作为few-shot示例输入GPT-4
   • 添加提示词："请参考但不复制以下祝福语风格，结合用户描述的[具体事件]创作..."

关键发现：单纯增大向量库规模对效果提升有限。当祝福语超过5万条后，准确率仅提升2.3%，但检索延迟增加40ms。质量比数量更重要。

3. 实现细节与调优

3.1 向量编码的陷阱

测试发现，直接用原始祝福语文本编码效果不佳。我们改进的预处理流程：

1. 信息增强：

   text复制原始文本："生日快乐！"
   增强后："[生日祝福][亲密朋友][幽默风格]生日快乐！记得上次喝酒你..."
   

2. 维度优化：

   • 测试发现768维向量中前300维承载了92%的有效信息
   • 使用PCA降维后，检索速度提升3倍，精度仅损失1.8%

3. 混合索引策略：

   • 常规场景：使用FAISS索引
   • 高并发场景：改用Milvus动态分区

3.2 情感量化方法

为给"走心"程度建模，我们设计了情感评估体系：

1. 人工标注：邀请20人从三个维度评分（1-5分）：

   • 个性化程度
   • 情感共鸣强度
   • 创意新颖性

2. 自动评估模型：

   python复制class EmotionEvaluator:
       def __init__(self):
           self.tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")
           self.model = AutoModelForSequenceClassification.from_pretrained("blessing-emotion-model")
   
       def predict(self, text):
           inputs = self.tokenizer(text, return_tensors="pt")
           outputs = self.model(**inputs)
           return outputs.logits.softmax(dim=1)[0][1]  # 情感强度概率
   

实测该模型与人工评估的Pearson相关系数达到0.81。

4. 实战效果与反直觉发现

4.1 性能指标对比

4.2 关键经验

1. 少即是多：展示3条候选祝福语比单条效果更好（选择率提升27%）
2. 缺陷变特色：当系统无法确定具体信息时，生成"虽然不太了解细节，但..."开头的祝福，反而获得更高好评
3. 冷启动方案：新用户首条祝福采用"时间胶囊"设计（"一年后的今天，你会记得..."），分享率比常规祝福高40%

5. 典型问题解决方案

5.1 敏感场景处理

遇到用户输入"给刚离婚的朋友祝福"等敏感场景时：

1. 检索阶段过滤负面关键词
2. 生成时添加安全约束：

   python复制safety_prompt = "请避免直接提及离婚，侧重表达对未来的美好祝愿"
   

5.2 多模态扩展

后期我们增加了图片祝福生成：

1. 用CLIP编码用户上传的生活照
2. 检索相似场景的祝福语
3. 生成配图文案："就像照片里那次旅行一样，愿生活永远充满惊喜"

这种方案的分享率是纯文本的2.3倍。

6. 系统优化方向

当前发现的待改进点：

1. 长尾场景覆盖：对于"给宠物生日祝福"等罕见需求，准确率仅61%
2. 实时个性化：无法动态结合聊天记录等上下文
3. 文化适配：部分方言祝福语编码效果差（如粤语祝福准确率低15%）

我们正在尝试用LoRA微调小型化模型，在边缘设备实现实时适应。初步测试显示，结合用户历史行为的祝福语点击率可再提升22%。