跳到正文
阿里雲開發者社區 AI·· 10 天前AI 評分33

基於阿里雲百煉搭建 AI 規章制度智能體

基于阿里云百炼搭建AI规章制度智能体

AI 導讀

這套企業規章制度智能體基於阿里雲百煉的 RAG 架構,使用 text-embedding-v4 和 qwen-plus 建立制度檢索與問答流程。系統可解析 PDF、Word 文檔,切片並向量化後檢索相關內容,再由模型根據制度片段生成回答;無需微調,制度更新後重新處理文檔即可更新知識庫。

正文

2026-11-12 9

版权

版权声明:

本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写 侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

简介: 本方案基于RAG架构,利用阿里云百炼的text-embedding-v4与qwen-plus模型,构建企业规章制度AI智能体。支持PDF/Word文档自动解析、切片向量化、向量库检索与精准问答,无需微调模型,制度更新即实时生效,显著提升员工查询效率与HR服务效能。(239字)

背景与问题

每个企业都有大量的规章制度:考勤管理办法、报销流程、信息安全规范、人事管理制度……这些文档往往分散在OA、Wiki或文件服务器中。员工想快速找到一条规定时,通常需要翻看冗长的PDF或Word,甚至咨询HR部门。传统的关键词搜索只能匹配字面信息,无法理解“出差期间网约车费用怎么报”这种自然语言问题,而且制度和版本一旦更新,旧文档还可能造成误导。

人工客服或HR团队也会被重复性的制度咨询占用大量时间。AI智能体可以在不重训模型的前提下,利用检索增强生成(Retrieval-Augmented Generation, RAG)技术,将最新制度文档向量化后作为外部知识库,让大模型基于检索到的官方内容生成准确回答。

方案设计

本智能体基于RAG架构,核心组件包括:

  • 文档接入层:将制度文档(PDF、Word等)上传到阿里云对象存储OSS,自动触发函数计算任务进行解析。
  • 文本切片:将长文档按段落或固定长度切片,并做重叠处理,避免语义断片。
  • 向量化:调用阿里云百炼的text-embedding-v4模型,将切片转换为高维向量。
  • 向量数据库:如阿里云Elasticsearch或AnalyticDB,用于存储向量并支持相似度检索。
  • 问答生成:用户提问时,先把问题向量化,在向量库中检索TopK相关文本,拼接到Prompt中,由百炼的qwen-plus生成最终回答。

整体流程如下:

制度文档 → 解析切片 → 向量化 → 向量数据库
                                ↓
用户问题 → 向量化 → 向量检索 → 上下文拼接 → LLM生成回答

这种设计不需要微调模型,制度更新时只需重新处理这部分文档并更新向量库,可持续保持知识新鲜。

实现步骤

1. 准备环境

在阿里云函数计算中创建Python 3.9运行环境,安装以下依赖:

pip install dashscope numpy

并配置环境变量DASHSCOPE_API_KEY。

2. 文本切片

制度文档通常有明确的章节结构,但为了通用性,这里按固定字符数切片,并添加10%的重叠。

3. 向量化与检索

我们用一个简化版示例展示核心逻辑:先从制度文本中构建内存向量索引,实际生产环境应替换为真实的向量数据库。

4. 生成回答

将检索到的切片作为Prompt上下文,调用百炼生成模型。

代码示例

下面的Python代码演示了最基本的RAG实现。生产使用时可进一步封装成HttpTrigger的函数或API服务。

import os
import numpy as np
from dashscope import TextEmbedding, Generation


def embed_text(text: str, text_type: str = "document"):
    """调用DashScope文本向量化模型"""
    resp = TextEmbedding.call(
        model='text-embedding-v4',
        input=text,
        text_type=text_type
    )
    if resp.status_code == 200:
        return resp.output['embeddings'][0]['embedding']
    raise RuntimeError(f"Embedding调用失败: {resp.code} {resp.message}")


def chunk_text(content: str, chunk_size: int = 300, overlap: int = 30):
    """简单按字符切片,重叠避免语义断裂"""
    if len(content) <= chunk_size:
        return [content]
    chunks = []
    start = 0
    while start < len(content):
        end = start + chunk_size
        chunks.append(content[start:end])
        if end >= len(content):
            break
        start = end - overlap
    return chunks


def cosine_similarity(q: np.ndarray, v: np.ndarray) -> float:
    """余弦相似度"""
    return float(np.dot(q, v) / (np.linalg.norm(q) * np.linalg.norm(v)))


def search_index(query_vector, chunk_vectors, top_k=3):
    """在内存向量列表中检索最相关的TopK片段"""
    scores = [cosine_similarity(query_vector, vec) for vec in chunk_vectors]
    top_indices = np.argsort(scores)[::-1][:top_k]
    return top_indices.tolist(), [scores[i] for i in top_indices]


def build_index(chunks):
    """构建向量索引(示例用内存,生产请用向量数据库)"""
    vectors = [
        np.array(embed_text(chunk, text_type="document"))
        for chunk in chunks
    ]
    return vectors


def generate_answer(question: str, contexts: list) -> str:
    """将检索到的上下文与问题一起交给LLM生成回答"""
    context_section = "\n\n".join(f"【制度片段】\n{c}" for c in contexts)
    prompt = f"""你是企业内部规章制度的AI助手。请严格根据以下制度片段回答用户问题。
如果片段中没有相关信息,请明确说明“制度中未找到相关内容”。

{context_section}

用户问题:{question}
"""
    resp = Generation.call(
        model='qwen-plus',
        prompt=prompt,
        temperature=0.2
    )
    if resp.status_code == 200:
        return resp.output['text']
    raise RuntimeError(f"Generation调用失败: {resp.code} {resp.message}")


# 示例:初始化制度库与提问
if __name__ == "__main__":
    # 伪造一段制度内容,实际从OSS或本地文件读取
    policy_text = """
    第三章 差旅管理
    第十一条 员工因公出差,市内交通费按实际发生额报销,但原则上不超过每日100元。
    乘坐出租车或网约车时,需取得合规发票,并在报销单中注明起止地点及事由。
    第十二条 跨市出差,优先乘坐公共交通工具,因特殊情况需乘坐飞机,须提前审批。
    """

    chunks = chunk_text(policy_text)
    print(f"切片数量:{len(chunks)}")

    # 构建索引(实际应写入向量数据库)
    index_vectors = build_index(chunks)

    # 用户提问
    query = "出差打网约车怎么报销?"
    query_vec = np.array(embed_text(query, text_type="query"))
    idx, scores = search_index(query_vec, index_vectors, top_k=2)

    retrieved_chunks = [chunks[i] for i in idx]
    print("\n检索结果:")
    for i, (c, s) in enumerate(zip(retrieved_chunks, scores)):
        print(f"片段{i+1} (相似度 {s:.4f}): {c[:60]}...")

    answer = generate_answer(query, retrieved_chunks)
    print("\nAI回答:")
    print(answer)

关键步骤解释

  • embed_text:封装了text-embedding-v4调用,使用时区分document和query两种文本类型。编码器会在不同文本类型下做额外的针对性优化。
  • chunk_text:按300字切分,重叠30字。如果制度章节标题很重要,可以按标题优先切分,但示例保持简单。
  • search_index:使用余弦相似度排序。向量数据库(如阿里云Elasticsearch)中可通过内置插件直接执行该计算,不需要把向量拉到本地。
  • generate_answer:Prompt中明确要求“严格根据制度片段回答”,并允许声明无法回答,避免大模型在知识库外胡编。

在实际部署时,建议将向量索引由内存列表替换为持久化向量数据库。阿里云百炼也提供了一键式的向量存储与检索能力,可直接托管知识库。

注意事项

  1. 切片粒度:切片过大容易混入无关信息,影响检索精度;过小则可能截断关键规定。可以对文档进行章节识别,优先按标题分块,再按长度微调。
  2. 向量模型限制:text-embedding-v4对单条文本长度有上限,超长文本需要提前切片;同时注意文本类型参数(document/query)不要用错,否则检索效果会变差。
  3. 制度更新:规章制度发布新版本后,要定时重跑索引流程。可在OSS对象创建事件上挂载函数计算,实现“新文档上传即自动向量化”。
  4. 权限控制:智能体接口必须做身份认证,防止越权获取敏感制度。建议通过阿里云RAM或API网关鉴权,并在Prompt层面过滤权限外的内容。
  5. 提示词注入:制度文档中的外部链接或恶意内容可能诱导模型执行非预期动作。解析PDF或网页时,应剥离异常标签,并在答案生成时或输出端增加过滤。
  6. 成本与性能:向量化和模型推理都消耗Token。可以引入缓存机制,对高频问题直接复用历史答案;也可以将函数计算实例的并发上限调整到合适值,避免资源浪费。

总结

本文展示了如何基于阿里云百炼构建AI规章制度智能体。通过RAG架构,企业无需微调大模型即可实现准确、可更新的制度问答。核心是文档切片、向量检索与Prompt编排。代码示例给出了最小可运行模型,您可以在此基础上扩展为完整服务:将Index部分替换为阿里云向量数据库,把代码部署到函数计算并配置HTTP触发,即可获得一个高可用的规章制度咨询API。

未来还可以接入钉钉机器人或企业内部Web平台,让员工在聊天窗口中直接提问,从而进一步释放HR和行政人力,提升组织运营效率。

來源:阿里雲開發者社區 AI · developer.aliyun.com