RAG智能体构建

项目背景

针对亚马逊合规政策极度繁杂、人工排查耗时长且易漏判的痛点，从 0 到 1 规划并落地企业级风控智能体。系统覆盖 IP 侵权、Listing 合规、产品合规、真实性防伪、受限内容等五大风控维度，实现对商品上架前合规风险的全链路自动化筛查与报告生成。

核心职责与专业实践：

1、基于业务目标的智能体架构设计 (Agent Architecture)

• 动态路由与模块化知识库： 深度解构五大合规模块，在意图识别节点建立动态路由机制（Router）。根据商品触发的具体风险类型，精准分发至对应的专项知识库（如 IP 侵权、Listing 违规），有效规避全局检索带来的上下文交叉干扰。
• 业务逻辑映射与双路检索： 将单点风险评估解耦为“违规事实界定”与“违规后果预判”双路定向检索，在提高召回率的同时，确保最终分析严格贴合平台规定与真实处罚基准。
• 高扩展性底座设计： 采用松耦合工作流架构。在 MVP 阶段优先跑通 IP 侵权与 Listing 违规评估，未来仅需增配特定领域文档与路由分支，即可无缝横向扩展为全域风控系统。

2、精细化数据工程与结构化感知切片 (Data Engineering & Chunking)

• 上下文固化与去噪： 在数据清洗阶段，去除干扰信息，保留md文档格式，并通过脚本强制将“面包屑导航”与“层级结构”注入每个切片（Chunk）的头部，彻底解决切片在向量空间中逻辑断层、上下文丢失的行业痛点。
• 分段策略与元数据矩阵： 结合政策文档特性，摒弃易导致语义截断的纯字数切分，采用“按段落+字符重叠（Overlap）”的最佳实践；构建多维业务元数据（Metadata）标签体系，在检索底层实现物理级的预过滤（Pre-filtering）。

3、查询重构、降噪召回与反幻觉控制 (Query Expansion & Anti-Hallucination)

• （1）消解口语化偏差与对抗高频词泛化：
• 引入查询扩写机制，将口语化提问转化为精准检索词。
• 针对大模型扩写极易产生泛化词（如亚马逊、政策）导致检索失焦的痛点，引入负面提示词（Negative Prompt）黑名单策略，强制提取高优特异词；
• 同时在检索端采用混合检索（Hybrid Search）策略，大幅提升核心条款召回准确率。
• （2）防幻觉与强制溯源：
• 设定严格的大模型 System Prompt 依据围栏，要求智能体必须基于召回事实进行研判，并强制引用具体政策文件与条款出处，从根本上杜绝 AI 知识臆测。

4、搭建全链路 LLMOps 评测闭环 (Evaluation Framework)

（1）全链路追踪与归因调试：

• 构建【检索评估集】，通过“用户问题 -> 扩写关键词 -> 召回切片”的链路追踪，针对性倒逼查询节点的逻辑优化，以保障检索召回准确率。
• 通过【检索评估集】与【风险分析报告评估集】联动测评，实现控制变量法的归因调试，以保障风险分析报告的效果。
• （2）评估基准量化：
• 确立涵盖可验证性、风险覆盖完整性、决策明确性、可执行性、不确定性处理、用户可读性的 6 大维度的风控报告评估标准，为后续引入 LLM-as-a-judge（大模型自动裁判）流水线奠定标准化数据基础。

项目成果与业务价值：

• 交付闭环与降本增效： 仅用时 1 个月成功跑通核心风控业务的 MVP 闭环，验证了合规业务自动化流转的可行性；预计全线模块上线后，单次全盘风险审查时效将从人工的 4 小时大幅压缩至 5 分钟。
• 沉淀企业级资产： 沉淀出一套从 0 到 1 跑通并沉淀企业级 RAG 应用建设 SOP。将数据预处理、多路召回策略、智能体工作流编排、评测调优闭环等核心逻辑标准化，大幅降低试错成本，为团队后续快速孵化同类 AI 产品提供底层基建支撑与标准范式。
• 下一阶段规划 (Roadmap)： 计划补全剩余三大风险模块；引入真实卖家申诉案例与处罚判例库，增强最终风控报告的实战指导价值与“拟人化”服务体验。

系统结构图