我如何为新加坡法律构建 RAG 引擎

Source: Dev.to

大家好！

我是一名学生开发者。最近，我创建了 Explore Singapore，一个基于 RAG 的搜索引擎，抓取了约 20,000 页新加坡政府的法案和法律。

在发布 MVP 后，我收到了关于幻觉（hallucinations）和查询深度的关键反馈。我采纳了这些反馈，专注于改进，并刚刚发布了 Version 2。

设计与 UI

我希望避免枯燥的政府网站。

设计：深受 Apple 极简风格的启发。
技术：自定义前端与 Python 后端交互。

V2 的工程大改造

社区在三个主要方面对我提出了挑战。以下是我的解决方案：

1. “人格” 修复

问题：我使用了“三重故障转移”系统，包含三个模型作为备份。当主模型失效时，备份模型的回答风格完全不同。

解决方案：添加了动态系统指令。当后端切换到 Model B 时，会使用专为 Model B 设计的提示，使其模仿主模型的结构和语调。用户不会察觉到切换。

2. “深度搜索” 修复

问题：对 “Starting a business” 的简单语义搜索会遗漏相关的法律，如 “Tax” 或 “Labor” 法案。

解决方案：实现了多查询检索（Multi‑Query Retrieval，MQR）。现在，一个 LLM 会拦截你的查询，将其拆分为子意图（例如 “Business Registration”、 “Corporate Tax”、 “Employment Rules”），同时搜索所有子意图并合并结果。

结果：答案更加丰富、具备上下文感知。

3. “幻觉” 修复

问题：垃圾进，垃圾出。如果 FAISS 检索到了不合适的文档，LLM 会产生不准确的信息。

解决方案：加入了交叉编码器重新排序层。

1. FAISS 抓取前 10 条结果。
2. 专用的交叉编码器模型对它们进行相关性评估。
3. 将不相关的部分剔除后再交给聊天 LLM。

技术栈

• 嵌入模型：BGE‑M3（本地运行）
• 向量数据库：FAISS
• 后端：Python + 自定义三模型故障转移（在 Hugging Face 上运行）
• 逻辑：多查询 + 重新排序（V2 新增）

试一试

我仍在学习中，期待听到你们对新逻辑的看法。

• 在线演示： Explore Singapore
• GitHub 仓库： adityaprasad-sudo/Explore-Singapore

欢迎对平台提出反馈——尤其是关于故障转移速度的意见！👇