目录

第一章 客户经理小李的 “查档难题”

第二章 小周的 “代码诊断”：找到系统的 “一根筋” 毛病

第三章 给系统加 “追问魔法”：小周的代码改造记

第一步：给系统找 “翻译官”—— 初始化大模型

第二步：给追问 “记台账”—— 配置回调管理器

第三步：让系统学会 “多角度问”—— 创建多查询检索器

第四章 魔法生效：小李的 “检索惊喜”

第五章 背后的 “技术小秘密”：简单改造的大作用

第六章 尾声：越来越 “懂” 用户的系统

第七章 示例代码

---

第一章 客户经理小李的 “查档难题”

        浦发银行西安分行的客户经理小李，最近总被一个问题困扰 —— 查《客户经理考核办法》时，系统像个 “认死理” 的老会计，只认用户输入的字面意思，稍微换个说法就找不到东西。

        上周三，小李想确认 “业绩怎么折算成考核分”，他在系统搜索框里敲下 “客户经理的考核标准是什么？”，等了几秒，系统只返回了 2 个文档：一个讲 “客户经理收入由基本收入、业绩奖励、绩效收入组成”，另一个提 “考核分影响评优”，可他最需要的 “50 万储蓄等于多少考核分”，连影子都没有。

        “总不能每次都抱着几百页的手册翻吧？” 小李揉着酸胀的眼睛，拨通了 IT 部小周的电话，“小周，你能不能看看系统？我查‘考核标准’，怎么连业绩折算的规则都搜不出来啊？”

第二章 小周的 “代码诊断”：找到系统的 “一根筋” 毛病

        小周挂了电话，立刻登录系统后台查日志。他发现，当前的检索逻辑特别简单 —— 就像给系统一个 “关键词清单”，只有文档里包含完全匹配的关键词，才会被找出来。

        他打开系统的核心检索代码一看，果然如此：原来的代码里，用户输入 “客户经理的考核标准是什么？” 后，系统只会用这一句话生成向量，去 FAISS 向量数据库里匹配文档。那些写着 “绩效评估标准”“业绩指标折算” 的文档，因为关键词不一样，全被过滤掉了。

        “问题就出在‘查询太单一’！” 小周在笔记本上画了个图：用户的查询是 “苹果”，系统就只找标着 “苹果” 的货架，却忽略了 “红富士”“嘎啦果” 其实也是苹果。要解决这个问题，得让系统学会 “多角度追问”—— 同一个需求，用几个相近的说法去检索。

第三章 给系统加 “追问魔法”：小周的代码改造记

        小周想起之前学过的 LangChain “MultiQueryRetriever” 工具，就像给系统配了个 “智能翻译官”，能把一个查询变成多个意思相近的 “追问”。他决定按这个思路改造代码，分三步动手：

第一步：给系统找 “翻译官”—— 初始化大模型

        小周先给系统装上了 “通义千问”（qwen-max）大模型，让它负责把单一查询变成多个追问。代码里这部分很关键：

# 初始化大语言模型（相当于“翻译官”）
llm = Tongyi(
    model_name="qwen-max",
    dashscope_api_key='*********'
)

        “这个‘翻译官’得懂银行术语，通义千问能准确把‘考核标准’翻译成‘绩效评估’‘业绩指标’这些相近说法。” 小周边写代码边嘀咕。

第二步：给追问 “记台账”—— 配置回调管理器

        光有追问还不够，小周担心万一某个追问出问题，没法追溯原因。他给系统加了个 “查询台账本”（CallbackManagerForRetrieverRun），每个追问都生成唯一的 “身份证”（run_id），还让 “日志小助手”（StdOutCallbackHandler）记录每一步操作：

# 生成追问的“身份证”和“台账本”
run_id = uuid.uuid4()  # 每个查询的唯一标识，像身份证
handlers = [StdOutCallbackHandler()]  # 日志小助手，记录追问过程
inheritable_handlers = []  # 可继承的配置，暂时留空

run_manager = CallbackManagerForRetrieverRun(
    run_id=run_id,
    handlers=handlers,
    inheritable_handlers=inheritable_handlers
)

“这样不管哪个追问出问题，查台账就知道是哪一步漏了。” 小周满意地点点头。

第三步：让系统学会 “多角度问”—— 创建多查询检索器

        最后，小周把 “翻译官” 和 “台账本” 装进了 “多查询检索器”（MultiQueryRetriever），让系统能自动生成追问、多维度检索：

# 创建“多查询检索器”，相当于给系统加“追问魔法”
retriever = MultiQueryRetriever.from_llm(
    retriever=vectorstore.as_retriever(),  # 向量数据库的检索入口
    llm=llm  # 刚才配置的“翻译官”大模型
)

# 生成追问清单
generated_queries = retriever.generate_queries(query, run_manager)

写完这行代码，小周试运行了一下 —— 当输入 “客户经理的考核标准是什么？” 时，系统果然生成了 3 个追问：

1. 客户经理的绩效评估标准有哪些？
2. 客户经理的工作表现如何进行衡量？
3. 考核客户经理业绩的主要指标是什么？

“完美！这样系统就能从‘考核标准’‘绩效评估’‘业绩指标’三个角度找文档了。” 小周兴奋地敲了下回车。

第四章 魔法生效：小李的 “检索惊喜”

        第二天一早，小周把优化后的系统交给小李测试。小李半信半疑地打开搜索框，还是输入那句 “客户经理的考核标准是什么？”。

几秒钟后，屏幕上先弹出了 “追问清单”：

原始查询: 客户经理的考核标准是什么？
生成的查询变体:
1. 客户经理的绩效评估标准有哪些？  
2. 客户经理的工作表现如何进行衡量？  
3. 考核客户经理业绩的主要指标是什么？

        紧接着，系统返回了 5 个文档。小李一眼就看到了之前找不到的内容 —— 文档 2 里写着 “超出最低考核标准可相互折算，折算标准：50 万储蓄 = 50 万个贷 = 50 张有效卡 = 5 分（折算以 5 分为单位）”。

        “找到了！终于找到了！” 小李激动地给小周发消息，“原来系统会自己多问几个角度，连业绩折算的细节都搜出来了，再也不用翻手册了！”

        他接着看其他文档，连 “中级客户经理需要完成季新增发放个贷”“客户经理等级分助理、普通、高级、资深四级” 这些之前没注意到的规则，也都清清楚楚列在结果里。

第五章 背后的 “技术小秘密”：简单改造的大作用

小李后来专门找小周吃饭，问他：“你这改的啥魔法啊？怎么突然能搜全了？”

小周笑着解释：“其实没那么复杂，核心就三件事：第一，让系统学会‘换说法’，用大模型生成相近的追问；第二，给每个追问‘记台账’，方便查问题；第三，多维度检索后合并结果，不漏掉任何相关内容。”

他指着代码里的关键部分说：“你看，生成追问靠的是 MultiQueryRetriever 和 llm 配合，记录过程靠的是 run_manager，最后用 retriever.invoke (query) 把所有结果汇总，再去重 —— 就像你找东西时，既问‘我的钥匙在哪’，又问‘我的银色钥匙在哪’，还问‘我昨天放桌上的钥匙在哪’，这样自然能找得更全。”

小李听完恍然大悟：“原来技术优化不是越复杂越好，能解决实际问题的，才是好办法！”

第六章 尾声：越来越 “懂” 用户的系统

现在，浦发银行的客户经理们查考核规则时，再也不用因为 “关键词不对” 发愁了。系统会自动生成 3-4 个追问，把所有相关的文档都找出来，甚至还会按相关性排序，最关键的内容排在最前面。

小周也在系统里加了个 “反馈按钮”—— 如果客户经理觉得某个追问没用，或者漏了某个角度，就能提建议。他说：“技术优化不是一劳永逸的，得跟着用户的需求慢慢调，让系统越来越‘懂’大家的想法。”

而小李呢，现在不仅自己爱用新系统，还经常跟新来的客户经理说：“查规则的时候不用纠结怎么措辞，系统会帮你多问几个角度，比老员工还靠谱！”

第七章 示例代码

import os
import uuid  # 新增：用于生成run_id
from langchain.retrievers import MultiQueryRetriever
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import DashScopeEmbeddings
from langchain_community.llms import Tongyi
from langchain.callbacks import StdOutCallbackHandler  # 补充导入
from langchain_core.callbacks import (
    AsyncCallbackManagerForRetrieverRun,
    CallbackManagerForRetrieverRun,
)
# 初始化大语言模型
DASHSCOPE_API_KEY = os.getenv("DASHSCOPE_API_KEY")
llm = Tongyi(
    model_name="qwen-max",
    dashscope_api_key='sk-***'
)

# 创建嵌入模型
embeddings = DashScopeEmbeddings(
    model="text-embedding-v3",
    dashscope_api_key='sk-***'
)

# 加载向量数据库，添加allow_dangerous_deserialization=True参数以允许反序列化
vectorstore = FAISS.load_local("./vector_db", embeddings, allow_dangerous_deserialization=True)

# 创建MultiQueryRetriever
retriever = MultiQueryRetriever.from_llm(
    retriever=vectorstore.as_retriever(),
    llm=llm
)

# 示例查询
query = "客户经理的考核标准是什么？"
# 关键修正：正确初始化run_manager
run_id = uuid.uuid4()  # 生成唯一运行ID
handlers = [StdOutCallbackHandler()]  # 回调处理器（打印日志到控制台）
inheritable_handlers = []  # 可继承的处理器（默认空）

run_manager = CallbackManagerForRetrieverRun(
    run_id=run_id,
    handlers=handlers,
    inheritable_handlers=inheritable_handlers
)
generated_queries = retriever.generate_queries(query,run_manager)
print("原始查询:", query)
print("生成的查询变体:")
for i, q in enumerate(generated_queries):
    print(f"{i+1}. {q}")

# 执行查询
results = retriever.invoke(query)

# 打印结果
print(f"查询: {query}")
print(f"找到 {len(results)} 个相关文档:")
for i, doc in enumerate(results):
    print(f"\n文档 {i+1}:")
    print(doc.page_content[:200] + "..." if len(doc.page_content) > 200 else doc.page_content)

原始查询: 客户经理的考核标准是什么？

生成的查询变体:

         1. 客户经理的绩效评估标准有哪些？

         2. 客户经理的工作表现如何进行衡量？

        3. 考核客户经理业绩的主要指标是什么？

查询: 客户经理的考核标准是什么？

找到 5 个相关文档:

        文档 1: 百度文库 - 好好学习，天天向上 -7 入围，并由所在行制定临时奖励办法。 第七章 考核待遇 第十五条 个人金融业务客户经理的收入基本由三部分组成： 客 户经理等级基本收入、业绩奖励收入和日常工作绩效收入。 客户经理等级基本收入是指客户经理的每月基本收入， 基本分为 助理客户经理、客户经理、高级客户经理和资深客户经理四大层面， 在每一层面分为若干等级。 客户经理的...

        文档 2: 4.个贷业务（季新增发放个贷）为中级以上客户经理考核进入的最低标准。 5.超出最低考核标准可相互折算，折算标准： 50万储蓄 =50万个贷 =50张有效卡 =5分（折算以 5分为单位）

...

第六条 个金客户经理的基本职责： （一） 客户开发。研究客户信息、联系与选择客户、与客户建 立相互依存、相互支持的业务往来关系，扩大业务资源，创造良好业 绩...

Output is truncated. View as a scrollable element or open in a text editor. Adjust cell output settings...