本文详细介绍了搭建公司制度检索问答Agent的必要性，针对传统制度文档检索繁琐、理解不一致和更新延迟三大问题，提出解决方案。文章核心内容涵盖Agent的核心价值、搭建流程，包括用户问题处理、知识库检索和生成回复三个关键步骤，并探讨了OCR工具选型、文档分块、Embedding模型选择等技术细节。最后，文章提出了待改进点，如合理改写用户问题和降低显存压力，旨在提升Agent的效率和用户体验。

---

为什么需要制度检索问答Agent？

公司制度是保障企业规范运营、防范风险和提升管理效能的基石。然而，在日常管理中，传统制度文档普遍面临三大挑战：

• 检索繁琐：员工往往需在多平台、多文件中人工查找相关制度条款，效率低下且信息筛选成本高；
• 理解不一致：复杂或跨部门的制度条文易产生解读歧义，导致执行偏差与协同摩擦；
• 更新延迟：制度修订后难以快速触达全员，旧版本沿用可能引发合规风险。

---

制度检索问答Agent通过融合自然语言处理与实时知识检索技术，为企业提供以下核心价值：
✅ 即时精准响应：支持自然语言提问（如“员工报销期限是几天？”“远程办公申请流程？”），秒级返回最新制度依据；
✅ 降低合规风险：结构化解析制度要点、适用场景及关联条款，确保执行标准统一；
✅ 动态同步更新：无缝集成企业知识中台，保障Agent应答内容与现行制度版本完全一致。

该Agent不仅是一个检索工具，更是将静态制度转化为动态知识服务的智能中枢，显著提升组织合规效率与员工协同体验，它具备以下好处：

• 减少行政部门30%以上重复咨询工作量，释放人力处理更高价值事务；
• 缩短50%以上新员工适应周期，减少集中培训频次；
• 制度更新实时同步全员，确保合规性0延迟；
• 便捷的查询方式推动员工主动了解制度，减少“因不知情而违规”现象

---

它能为公司和员工个人带来这么多好处，是不是已经心动了呢？

下面，我们将在这篇文章中为大家分享我们搭建工作流的真实心路历程以及后续优化的方向。让我们一起来搭建工作流吧！

---

演示视频

下面是我们搭建的公司制度检索工作流的演示视频：

---

具体实现流程

在这部分，我们将详细讲解公司制度检索问答工作流的搭建步骤。

它主要分为三部分：用户问题处理、知识库检索以及生成回复。

一、用户问题处理

图1 用户问题处理流程

优质的用户问题对于检索问答类的工作流简直是“如虎添翼”。那么这个“优质的用户问题”该是如何定义的呢？

以我们目前的AI应用开发经验来说，语义完整、表述清晰的问题就是有利于检索的“优质问题”。我们无法要求每个用户问题都表达清晰，所以我们就需要借助一些方法来“校正”。下面让我们来看一下我们在工作流中是如何生成“优质问题”的吧！

首先，拿到用户问题之后我们首先使用LLM来进行判断，目标就是筛选出需要改写的用户问题。我们在prompt中说明了需要改写的情况：追问、表述不清晰。

图2 判断当前用户问题是否需要改写

若是需要改写，我们则将用户问题输入【query rewrite】节点中实现改写。因为我们并没有将表述不清的情况拆分开，所以我们在该LLM节点中还需要详细做分类处理。为了帮助LLM更好的区分两种情况，我们在prompt中使用了few-shot的方法，给出了示例。经过这个LLM节点之后我们将用户的问题进行了修正。

图3 用户问题重写

经过改写的用户问题和无需改写的用户问题输入【问题变量聚合】节点，经过if-else的判断，我们获取最终在知识库中检索的用户问题。

图4 问题变量聚合

二、知识库检索

经过上一部分的处理，我们进入检索问答类工作流中最为关键的一步：知识库检索。这部分主要分为制度文档处理和知识库检索进行讲解。

制度文档处理

公司中的制度文档的格式一般是pdf类型，并且其中大部分是扫描pdf。文件内容以文字居多，大概率包含表格和图片。因此为了保证文档的内容完整和结构清晰，我们使用OCR工具来处理文档。

在做处理文档这部分工作时，我们测试了目前市面上常见的OCR工具，例如Docling、Mineru、gptpdf、MonkeyOCR等。最终，我们选择了使用MonkeyOCR作为我们的文档处理工具，其可以将复杂表格转化为图片保存、识别的准确率较高以及完善的官方讲解文档满足我们的需求。MonkeyOCR官方github：https://github.com/Yuliang-Liu/MonkeyOCR.git

在处理文件时还需要考虑的一件事情是：文档分块。这关系到后续检索的召回率和准确率，所以我们需要确保分块能够保证语义的完整性但又不会因为chunk过大在检索时给显存造成过大的压力。在我们嵌入知识库的过程中，一般按照章节分块，如果某个章节过长（例如超过了2048个token），我们则按照二级标题拆分，在每个块保留一级标题，同时使用overlap的参数保证语义的连贯性。

对于纯文字的文件，我们最终输出为markdown格式就算完成了处理。对于包含表格或图片的文档，我们最终输出为docx格式，这样在嵌入dify的知识库时可以保留图片，便于后续的图文混排输出。

文档处理是一个“千文千面”的工程，上述内容只是我们在处理文档时总结的经验，自己手中的文档还是需要拆解嵌入之后通过测试召回率和准确率才能知道何种方法更适合。

在处理文档的过程中我们还需要关注Embedding模型的选型。候选模型肯定是从大家都在使用的模型入手，例如bge系列、qwen3系列以及m3e系列。具体哪个更适用你的任务，还是需要测试。我们公司的制度知识库中使用了qwen3-Embedding-8B和qwen3-reranker-8B模型，因为qwen3系列的向量模型对于语义检索的效果更好一些，可能是因为qwen3系列向量模型训练时关注了嵌入在不同维度的语义（具体参考qwen3向量模型的技术报告）。

知识库检索

在【正文检索】这个节点，我们将用户问题作为查询变量进行检索，召回设置中我们可以看到语义检索的权重高达0.9，这和检索阈值一样是我们在测试过程中找到的最优召回率的数值。top_k设置为5，这是因为显存的限制，过高的top_k会导致OOM，如果你的显存充裕，可以拉满。

图5 知识库检索

三、生成回复

图6 生成回复部分流程

这部分我们将实现生成回复。经过知识库检索之后，我们需要对检索内容进行判断。首先需要确认是否检索到内容，如果没有检索到内容，我们还是选择了使用一个LLM节点来处理，模型使用小一些的即可，例如我们使用了qwen3-4B模型。

图7 未检索到内容的回复

如果检索到了内容，我们需要处理检索到的内容输入LLM节点中。为了保证图文混排输出不被干扰，我们在代码节点中使用正则匹配判断其中是否包含图片URL。后续针对单纯文字输出和图文混排进行了区分处理。

图8 判断检索内容中是否包含图片

图9 图文混排的LLM节点

图10 纯文字输出的LLM节点

待改进点：

通过上面的三个步骤我们完整搭建了公司制度检索问答的工作流。公司制度检索问答在不断迭代中我们也面临两个待优化的内容：

• 合理改写用户问题

在“用户问题处理”这一部分，我们有两种需要改写的情况，如何合理地改写用户问题是一件值得推敲的事情。结合上下文改写还好，因为有改写的依据。然而无上下文直接改写给大模型制造了“巧妇难为无米之炊”的困境，改写出来的问题常常是“xx是什么？”这类泛泛的问题。

为了优化这点，我们计划给LLM一个“问题库”，从公司制度文件中提取出一些具有代表性的问题，依据“问题库”给LLM的改写任务一个支点。

• 降低显存压力

对于显存有限的玩家来说，兼具效率和准确率是一件让人头疼的事情。而检索问答类任务的用户问题往往具有语义相似性的特点，因此我们提出增加用户问答“cache”来提升响应速度，降低显存压力。这一点优化内容在检索问答类任务中具有普适性。为了避免“cache”污染，我们只将用户点赞的问答内容存储到“cache”中，用户提出新问题时通过user_id和app_id的限制进行语义检索，后续使用CPU部署的小语言模型或者直接输出，降低显存压力。

系统不是终点，而是管理升级的杠杆：当员工能3秒查到差旅标准时，节省的不仅是时间，更是将企业规则真正转化为生产力。

如果本次讲解的公司制度检索问答agent的内容对您有帮助，还请点赞转发，也可以在评论区留言交流 ～～～

---

祝大家搭建agent顺利!

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）