一、概述：先理解本质
1.1需求一句话
用公司自研的类 Coze 平台，搭一个微信小程序问答机器人：30 条 QA 资料，只输出匹配到的答案原文（大模型不参与、不润色），没匹配到就返回固定话术。
1.2核心判断（第一性原理）
这是检索/匹配问题，不是生成问题。
- 30 条 QA 的规模，根本不需要大模型"理解并回答"
- 最优解：让平台节点链路只做"捞答案"，大模型全程不参与
- 好处：机制上杜绝润色、编造、答非所问；行为完全可预期、可复现、可排查
1.3三条硬约束
| 约束 | 含义 |
|---|---|
| 只输出匹配 answer | 答案逐字一致，不允许大模型改写 |
| 无匹配 → 固定话术 | 「抱歉，暂时没有找到您问题的答案，请咨询客服」 |
| 暂不脱离平台 | 刚接手求稳，所有实现都在平台节点内完成 |
1.4平台能力前提（已确认）
- ✅ 代码节点
- ✅ 条件分支
- ✅ 知识库节点可检索后直接输出命中原文（可完全绕开大模型）
二、方案总览：双路径架构
2.1两条路径
| 路径 | 触发方式 | 实现机制 | 精确度 |
|---|---|---|---|
| 路径一：点选（主） | 用户点选问题卡片 | 代码节点字典查表 {question_id → answer} |
100% 精确 |
| 路径二：自由输入（兜底） | 用户输入文字 | 知识库语义检索 top1 + 相似度阈值 | 阈值内可靠 |
2.2为什么点选和自由输入分开走
- 点选是"确定性问题"：用户点的问题就是标准问题，直接用字典映射，不需要任何语义理解
- 自由输入是"不确定问题"：用户说法千变万化，需要语义检索 + 阈值兜底
- 分开走：点选路径零风险、零延迟；自由输入路径可独立调优，互不影响
2.3全流程时序
三、平台节点配置步骤（照做）
以下节点名称为通用叫法，实际以你平台为准（类 Coze 平台大同小异）。
0
准备
- 拿到 30 条 QA 的最终版（问题 + 答案，逐字确认）
- 给每条 QA 编唯一 ID：
Q01~Q30 - 确认平台是否支持"知识库条目结构化字段"（question/answer 字段）
1
建知识库
| 配置项 | 值 | 说明 |
|---|---|---|
| 条目数 | 30 | 一条 QA = 一个条目，不切片 |
| 条目结构 | {Q: 标准问题, A: 答案原文} | 向量化只对 Q 字段做 |
| 匹配方向 | 只匹配 Q | A 是负载，不参与匹配（防串味） |
| 标签 | 不加 | 30 条量级不需要预筛 |
| 相似度输出 | 开启返回 score | 条件分支需要用到 |
平台不支持结构化字段时：条目里只存 Q 做检索，A 通过"引用字段/关联字段"或代码节点映射取出。
2
搭节点链路
开始节点（接收 question_id + free_text）
└─ 条件分支 1：question_id 非空？
├─ 是 → 代码节点 A：字典查表 {Q01: answer1, ...}
│ └─ 输出 answer 原文（防御：查不到 → 固定话术）
└─ 否（自由输入）→ 知识库节点：语义检索 top1
└─ 条件分支 2：score ≥ 0.75？
├─ 是 → 输出命中条目的 A 原文
└─ 否 → 输出固定话术3
配置代码节点 A（点选路径）
- 维护 30 条映射：
{"Q01": "答案1原文", "Q02": "答案2原文", ...} - 输入：
question_id - 输出：
answer（对应答案原文）；未命中返回固定话术（防御分支） - 答案文本必须与知识库 A 字段逐字一致（同源校验）
4
配置阈值分支
- 阈值建议 0.75 起步（见第五节调优）
- score ≥ 阈值 → 输出命中条目 A 原文（只取 top1，禁止拼接多条）
- score < 阈值 → 固定话术
5
固定话术节点
- 文案：「抱歉，暂时没有找到您问题的答案，请咨询客服」
- 实现：条件分支"未命中"分支直接输出该常量（或代码节点返回）
6
大模型节点
- 全程不使用
- 若平台强制要求必经大模型节点：配置为"透传"——指令为空/原样输出上游输入，
temperature=0
7
发布 API 供小程序调用
- 发布为 API（平台一般自动生成接口）
- 小程序侧：点选问题卡片 → 传
question_id；输入框提交 → 传free_text - 联调确认：鉴权、超时、返回结构（
{answer: "..."}）
四、知识库设计详解
4.1匹配 Q 不匹配 A（最重要的一条）
检索只对 Q（问题文本）做语义匹配，A（答案）是"负载"，随命中条目输出，不参与匹配。
为什么？A 里的词会和用户问法撞车，造成错误命中：
例：Q₁="如何申请退款？" A₁="退款需联系客服，电话 400-xxx"
用户问"客服电话是多少" → 若 A 参与匹配，A₁ 里"客服/电话"高分命中 → 答非所问
只匹配 Q 就杜绝这类串味
4.2不切片
- 一条 QA = 一个条目，30 条 = 30 个条目
- 切片只适用于长文档（说明文档、规章制度）；QA 答案是一段完整的话，切片会切断答案完整性
4.3不加标签
- 标签预筛适合几百上千条的场景；30 条直接全量 top1 匹配足够准，加标签是纯维护负担
4.4同义问法扩写策略（迭代路径）
| 阶段 | 做法 |
|---|---|
| 第一版（现在） | 裸跑，不扩写。没有历史问法数据，盲扩会引入噪音 |
| 上线 1-2 周后 | 采集"未命中 query"日志（平台对话日志/调试记录），用真实未命中问法做第一轮扩写 |
| 扩写方式 | 每条 Q 挂 2-3 个别名，30 条 → ~100 检索条目；答案不变 |
| 机制 | 扩写后检索机制不变（top1 + 阈值），只是候选空间更贴近真实问法 |
为什么不能凭空编别名：扩写 Q 的目的是"覆盖用户真实会问的话"，不是"让条目变多"。凭空写的别名用户大概率不这么说，浪费 embedding 空间还引入噪音。
五、阈值调优（上线前必做）
5.1测试集设计
| 类型 | 数量 | 内容 | 期望 |
|---|---|---|---|
| 正样本 | 30+ | 每条标准 Q + 1-2 个合理改写问法（"退款怎么弄""如何申请退款"） | 命中对应 QA |
| 负样本 | 10-15 | 业务无关输入（"今天天气""你们老板是谁"） | 返回固定话术 |
5.2阈值扫描
- 用测试集扫 0.70 / 0.75 / 0.80 / 0.85
- 选：误命中为 0 且命中率最高的阈值
- 注意：阈值越高越保守（漏命中多但不会答错）；越低越激进（命中多但可能答错）——按"宁可答不上来也不能答错"的原则选
5.3上线后持续验证
- 每周复盘一次"未命中 query"：哪些其实有答案 → 扩写 Q；哪些确实没有 → 保持固定话术
- 关注误命中：用户收到错误答案比收到固定话术伤害更大
六、验收清单（照此逐条测）
| # | 用例 | 期望结果 |
|---|---|---|
| T1 | 点选问题 1 | 返回问题 1 的答案原文，逐字一致 |
| T2 | 点选问题 30 | 返回问题 30 的答案原文 |
| T3 | 自由输入与某 Q 高度相似 | 返回该 Q 对应 A 原文 |
| T4 | 自由输入与所有 Q 都不相似 | 返回固定话术 |
| T5 | 任意输入 | 返回内容不含润色痕迹（与 A 原文或固定话术逐字一致） |
| T6 | 知识库 A 字段 vs 点选路径 answer | 同源一致 |
| T7 | 输入含"客服/电话"等 A 中常见词但语义不对应 | 不误命中含该词答案的 QA |
| T8 | 多结果检索场景 | 只输出 top1，不拼接 |
| T9 | 点选传无效 question_id（防御） | 返回固定话术 |
七、常见坑（对抗性预演）
| 坑 | 后果 | 规避 |
|---|---|---|
| A 参与语义匹配 | 答非所问（客服/电话串味） | 知识库只匹配 Q |
| 答案被大模型润色 | 违反硬需求 | 全程不用大模型节点；必须用时透传 |
| 多结果拼接输出 | 答案混乱 | 只取 top1 |
| 阈值太低 | 误命中，答错问题 | 0.75 起步，测试集调优 |
| 盲目扩写别名 | 检索噪音 | 只用真实未命中问法扩写 |
| 点选路径与知识库答案不一致 | 同问题两个答案 | 同源维护，验收 T6 |
八、后续迭代路线
- 第 1 周：裸跑上线，验证点选路径 100% 精确、自由输入路径阈值表现
- 第 2-3 周：采集未命中日志，第一轮扩写（真实问法）
- 第 4 周起：每周复盘命中率，持续扩写 + 阈值微调
- 规模变大时（>100 条 QA）：考虑加标签分类预筛、多轮意图分支
- 脱离平台的远期：迁移到自建服务（30 条 QA 用代码直接做精确匹配 + 向量检索，逻辑完全一致，只是节点换成代码）