隨著AI技術的不斷發展，檢索增強生成（RAG）已經成為構建智能知識庫的重要的技術，嘉為藍鯨OpsPilot智能運維支撐平臺(以下簡稱“智能運維OpsPilot”)最新發布V3.5版本，新增問答對（QA Pair）功能，通過與現有知識庫解析、分塊和重排序能力的協同整合，構建了更高效的知識服務體系。同時實現了問答對與知識分塊的智能路由，既保留了知識分塊的語義完整性，又發揮了問答對的精確匹配優勢，為企業構建了覆蓋全面且精準可靠的知識服務體系。

01.新增問答對，完善RAG能力

在智能運維OpsPilot V3.5的新架構中，問答對（QA Pair）扮演了重要的角色，成為檢索增強生成（RAG）架構中的關鍵組成部分。在RAG技術架構中，知識服務的核心流程包括檢索、生成和重排序。智能運維OpsPilot引入問答對功能后，其在RAG整體架構中的位置尤為重要：

• 知識存儲階段：通過LLM大模型自動對分塊數據智能生成問答對，并存儲至數據庫，以便后續檢索使用
• 知識檢索階段：通過問答對的精準匹配，直接鎖定與用戶問題高度相關的答案，提升了檢索的效率和準確性。
• 結果重排序階段：通過Rerank模型對問答對和知識分塊的檢索結果進行綜合排序，使最終呈現的內容既全面又精準。
• 增強生成階段：結合內置的LLM（大語言模型），問答對的答案可以作為優先內容被生成模型引用，從而確保生成的回復更貼近用戶需求。

相比僅依靠知識分塊進行語義檢索的傳統方式，問答對功能的加入為智能運維OpsPilot的知識服務體系提供了一種更加直接、高效的路徑，特別適合快速響應特定問題，降低冗余信息干擾。

02.優勢互補，靈活路由

1）知識分塊（Chunking）

知識分塊是指將長文本拆分為較小的、語義聚焦的短單元，解決長文本向量化中的語義稀釋、計算資源消耗和檢索效率低問題。知識分塊的生成方式主要依賴于語義理解，通過模型對文檔進行自動化切分。

2）問答對（QA Pair）

問答對是通過將常見問題與標準答案進行配對，從而形成一個結構化的知識庫。問答對的生成方式主要為LLM大模型對分塊數據智能生成問答對。

3）二者對比

• 知識分塊：優點為提供了完整的上下文，適用于較為復雜、需要深入理解的問題，能夠幫助系統理解并生成更具深度的答案。缺點在面對簡單、常見問題時，生成的答案可能會過于冗長，不夠準確。
• 問答對：優點為精確匹配特定問題和答案，響應速度更快，效率更高。非常適合處理高頻標準化問題，能夠直接返回用戶所需答案。缺點主要為只適用于明確的問題，不能處理開放式或復雜的查詢。

4）靈活路由

知識分塊和問答對的優缺點較為顯著，可以統一使用，進行優勢互補：對于常見、標準化的高頻問題，可使用問答對庫進行精準匹配，提升響應速度和準確性。對于一些需要更復雜上下文理解的專業性問題，優先選擇知識分塊進行語義檢索，確保問題得到全面回答。

03.智能運維Opspilot的問答對功能

智能運維OpsPilot V3.5在問答對功能上的升級，使得用戶能夠在知識庫中更加高效地使用問答對來獲取精準答案。以下是該功能的核心步驟：

1）生成問答對

問答對的生成方式主要為LLM大模型對分塊數據智能生成問答對。并且在知識庫的文檔中，用戶可自行選擇文件或網頁鏈接并通過LLM模型自動生成問答對。

2）查看問答對

在知識庫中，用戶可直觀地查看所有問答對。問答對的信息包括名稱，問答對數量，創建時間，創建者，操作等，同時可以點擊查看每一份問答對拆解的詳情問題和答案。

3）檢索問答對

用戶提出問題時，智能運維OpsPilot會通過靈活路由，選擇使用知識分塊還是問答對作為召回結果，確保用戶始終能獲得最優答案。

通過系列功能，智能運維OpsPilot不僅提升了問答的效率和準確性，還顯著優化了用戶的使用體驗。

04.總結

智能運維OpsPilot V3.5在問答對功能上的升級，利用了檢索增強生成（RAG）技術的優勢，結合知識分塊和問答對的智能路由，提升了知識庫的整體效率和精準度。通過靈活的查詢和生成機制，實現了高效、精準的知識服務體系，為企業提供了更為強大的智能化支持

05.嘉為藍鯨OpsPilot智能運維支撐平臺：更懂運維的AI平臺

嘉為藍鯨智能運維OpsPilot是集知識庫管理、技能配置、機器人管理及工具管理于一體的智能運維支撐平臺，深度融合LLM大模型的語義理解、知識增強與多模態處理能力，聚焦運維領域，突破單一LLM能力局限，成為更懂運維的智能AI平臺。