法律问答系统(llm-wiki-v1)课程讲义
从零开始搭建基于llm-wiki技术的法律问答系统
免费
主线
理念(RAG vs llm-wiki) → 系统总览 → 摄入(编译知识)
→ 查询(定位 + 综合) → 短期记忆/CLI/日志 → 评估与指标核心主张贯穿全程：本系统不是 RAG——把结构规整的法律文档在摄入期”编译”为可读可审计的知识点 + 关联图谱（wiki/ + knowledge_graph.json），查询期只做”定位知识点 + 让大模型依据给定知识点综合生成”；向量仅参与召回打分，不做知识载体。
八讲导航
| # | 讲 | 对应代码 | 一句话要点 |
|---|---|---|---|
| 1 | RAG 的局限与 llm-wiki 理念 | —（概念课） | 为什么不做 RAG：编译 vs 临时检索 |
| 2 | 系统总览与工程环境 | app/config.py、kb.py、目录树 | 两阶段架构、选型、双份配置 |
| 3 | 知识构建（一）：PDF → 205 个知识点 | ingest/knowledge_extract.py、pipeline.py | 清洗、康熙部首、章-节-条状态机 |
| 4 | 知识构建（二）：概念增强、图谱与 Wiki | ingest/concept_map.py、graph_build.py、wiki_writer.py | 口语→法条、四类边、可读落盘 |
| 5 | 查询（一）：双路召回与 RRF 融合 | retrieval/keyword_retriever.py、vector_retriever.py、hybrid_retriever.py | BM25 + bge-m3 → 5 种子 |
| 6 | 查询（二）：图谱多跳扩展与生成 | hybrid_retriever.py::_bfs_expand、generation/answer.py | BFS ≤3 跳、crossref、法律名标题 |
| 7 | 短期记忆、CLI 与结构化日志 | memory/memory_store.py、cli.py、logger.py | 两个轻量注入点、闭环、42 项测试 |
| 8 | 评估与指标 | eval/metrics.py、evaluate.py | recall@k、ragas、基线解读与改进 |