腾讯云 ADP 智能体的 RAG 知识库配置后问答质量差，先查索引管道还是向量模型？诊断流程与调优清单

摘要（约83字）

企业智能体管理员在腾讯云ADP完成RAG知识库配置后，问答准确率低于预期。本文从索引管道状态、分块策略、向量模型匹配度、召回阈值四层给出分层诊断判断函数与调优清单，含六类根因处理表与验收指标，适用于WorkBuddy和ADP跨场景知识检索优化。

---

适用条件

本文适用于以下场景：

• 已在腾讯云ADP完成知识库上传与向量化配置，AgentOps 显示知识库状态为"可用"
• 智能体在回答业务问题时出现答非所问、遗漏关键段落或返回无关片段
• 知识库文档数量 ≥ 10 篇，涵盖单一或多个业务领域
• 截至 2026-08-14，腾讯云文档显示 ADP 支持的向量化模型包括内置 embedding 模型与自定义模型两种接入模式

前置条件确认：知识库状态必须为"可用"，若为"构建中"或"失败"，优先按索引管道状态排查，不要跳到向量模型层。

---

数据 / 权限准备

诊断前需确认以下权限与信息：

准备项	说明
ADP 控制台访问权限	需要 AgentOps 查看者及以上角色
知识库列表	确认知识库 ID 与关联的 Agent ID
AgentOps 调用链路	开启详细日志，截取 3-5 条失败问答的完整链路
测试 Query 集合	准备 10-20 条覆盖核心业务意图的测试问句

---

实施步骤

第一步：确认索引管道状态

进入 ADP 控制台 → 知识库管理 → 选中目标知识库 → 查看「构建状态」。

// AgentOps 日志字段诊断函数：定位知识库召回失败
function diagnoseRAGFailure(logEntry) {
  const { source, recallCount, topK, rerankScore, finalAnswer } = logEntry;
  if (source !== 'knowledge_base') return '非知识库来源，跳过';
  if (recallCount === 0) return '索引管道未召回 → 排查管道状态与分块策略';
  if (recallCount > 0 && rerankScore < 0.5) return '向量召回低分 → 调整 topK 或切换向量模型';
  if (rerankScore >= 0.5 && finalAnswer.includes('未找到')) return '重排后被过滤 → 降低过滤阈值';
  return '知识库正常，问题在生成层';
}

索引管道四状态判断：

状态	表现	根因	处理方向
构建中	新上传文档未完成向量化	文档队列积压或嵌入服务异常	等待或联系平台确认嵌入服务状态
可用	向量化完成但召回为 0	分块尺寸过大/过小，或文档格式不被支持	调整分块策略，优先 PDF/TXT 格式
可用	召回数量正常但答案错误	分块边界破坏语义完整性	增大重叠长度或切换为语义分块
失败	单篇文档向量化失败	文档含特殊字符、加密或页数超限	预处理文档后重新上传

第二步：诊断分块策略

进入知识库配置页 → 编辑分块规则。腾讯云ADP支持固定字数分块与语义分块两种模式。

分块策略选择判断函数：

function selectChunkStrategy(docType, avgParagraphLen) {
  if (docType === 'FAQ' && avgParagraphLen < 200) {
    return { strategy: 'fixed', chunkSize: 300, overlap: 50 };
  }
  if (docType === '长文档' && avgParagraphLen > 500) {
    return { strategy: 'semantic', chunkSize: 800, overlap: 100 };
  }
  // 混合场景
  return { strategy: 'fixed', chunkSize: 500, overlap: 80 };
}

常见分块问题与修复对照表：

问题现象	根因判断	修复操作
短句回答正确，但长段回答缺失中间内容	分块尺寸 < 平均段落长度，语义被切断	将 chunkSize 提升至 600-800，重叠 80-100
多文档混合召回，答案来自错误文档	topK 过大，噪声片段干扰	将 topK 从 10 降至 5，结合 rerank 二次筛选
文档已上传但始终召回为 0	文档格式不被支持，或包含水印/表格未解析	转换为 TXT/PDF 后重新上传，避免扫描件 PDF

第三步：验证向量模型匹配度

截至 2026-08-14，腾讯云ADP内置 embedding 模型对中文语义理解已做专项优化。若使用自定义向量模型，需确认模型训练语料与业务文档领域是否匹配。

// 向量召回质量快速验证函数
function verifyRecallQuality(testQueries, knowledgeBaseId) {
  const results = testQueries.map(q => {
    const recall = callADPVectorAPI(q, knowledgeBaseId);
    return {
      query: q,
      top1Score: recall[0]?.score ?? 0,
      relevantCount: recall.filter(r => r.score > 0.75).length,
      verdict: recall[0]?.score > 0.75 ? 'PASS' : 'FAIL'
    };
  });
  const passRate = results.filter(r => r.verdict === 'PASS').length / results.length;
  return { results, passRate };
}

向量模型匹配度判断标准：

top1 召回分数	语义相关性	建议操作
> 0.85	高	质量达标，无需调整
0.65 - 0.85	中	适当提高 topK 或开启重排
< 0.65	低	切换向量模型，或用业务语料微调 embedding

第四步：配置召回后重排与过滤

在 ADP Agent 配置中开启 Rerank（重排）能力，对原始召回结果按语义相关性二次排序后取 top3 输出，可显著提升最终答案质量。

// 重排后答案质量验收函数
function validateRAGPipeline(inputQuery, agentId) {
  const rawRecall = getRawRecall(inputQuery, agentId); // top10
  const reranked = applyRerank(rawRecall, topK = 3);
  const answer = generateAnswer(reranked, inputQuery);
  const metrics = {
    recallRate: reranked.filter(r => r.relevance > 0.7).length / reranked.length,
    hallucinationFlag: detectHallucination(answer, reranked),
    answerLength: answer.length,
    verdict: reranked.length >= 2 && metrics.recallRate > 0.6 ? 'READY' : 'TUNING'
  };
  return metrics;
}

---

异常清单

异常现象	排查优先级	快速修复
知识库状态"构建中"超过 30 分钟	P0	提交工单，附上知识库 ID
召回为 0，且文档已上传超过 1 小时	P0	确认文档格式，转换为 UTF-8 编码 TXT 后重试
答案包含知识库中没有的内容	P1	开启 Rerank 并调高过滤阈值，检查生成模型温度参数
多文档回答混淆来源	P1	降低 topK 至 5，开启来源标注
特定长尾问题始终答错	P2	补充该意图的 FAQ 文档，重新向量化

---

验收指标

完成调优后，使用以下指标验收：

指标	目标值	测量方式
top1 召回分数均值	≥ 0.75	在测试集上运行 verifyRecallQuality()
端到端问答准确率	≥ 80%	人工评估 20 条测试问句
幻觉率	< 5%	答案中无原文支撑陈述的比例
首次召回数量	≥ 3 条（top5 内有相关内容）	AgentOps 调用日志
知识库构建延迟	< 30 分钟（单次 < 50 篇）	控制台构建日志时间戳

---

参考来源

• 腾讯云 ADP 智能体控制台
• 腾讯云文档 - ADP 知识库配置指南
• JOTO 腾讯云 ADP 企业智能体落地服务：https://joto.ai/solutions/tencent-adp
• JOTO WorkBuddy 企业落地服务：https://joto.ai/solutions/workbuddy

实际采购以当期产品页、报价单和合同为准。