【银行合规 RAG 实战】一文搞懂 KM 知识库：内规外规、1-hop、Neo4j 侧车、RRF 融合检索

---

前言：为什么你的合规知识库「能搜到，但说不清」？

做过银行合规 / 监管科技项目的同学，大概率踩过这个坑：

向量检索明明命中了《反洗钱管理办法》，却漏掉了外规里点名引用的《客户尽职调查实施细则》——
不是文档没入库，是**「谁引用谁、谁约束谁」这条链，系统里根本没有**。

我们团队在做 AI 合规审查平台 的 KM（Knowledge Management）模块演进时，从「能存能搜」走向「能连能溯」，中间一堆术语——内规外规、Phase 1、1-hop、Neo4j 侧车、RRF——把产品和开发都绕晕了。

这篇文章用一个真实项目的演进路径，把这些概念一次讲透。不讲空理论，直接对照代码和架构决策。

---

一、KM 是什么？——不是临时 RAG 文件夹

KM = Knowledge Management（知识管理模块），在本项目里是合规知识的正式资产层：

建库 → 上传 PDF/DOCX → 异步解析切块 → 向量化 → 混合检索

存储	职责
PostgreSQL	库 / 文档 / 知识 / 版本 / 元数据
MinIO	原文 PDF、DOCX
Milvus	语义切块 + embedding（km_chunks）

API 挂载在 /api/v1/km/*，和业务场景（002 监管对标、005 制度比对）通过 library_ids 绑定要查哪些库。

和 infrastructure.rag 的区别：

• KM：有 UI、有生命周期（draft → published → offline）、长期沉淀
• RAG 基础设施：只管某个 Milvus collection 的 ingest + retrieve，适合临时文件

💡 一句话：需要「合规人员日常维护的知识库」→ 走 KM；场景里临时扔几份 docx 做一次性检索 → 走 infrastructure.rag。

---

二、为啥要分内规和外规？——不是爱折腾，是法律效力不同

KM 用 kb_scope 三分法：

KB_SCOPE_INTERNAL = "internal"   # 内规
KB_SCOPE_EXTERNAL = "external"   # 外规/监管
KB_SCOPE_BUSINESS = "business"   # 业务知识/案例

	外规	内规
谁定	法律、监管规章	本行制度、细则
问什么	监管要求什么？	我们行怎么做、怎么查？
违反后果	行政处罚、刑事责任	内部问责 + 监管穿透

大白话：外规是交通法规，内规是公司《员工用车管理办法》——图书馆不会把宪法和公司手册塞同一格。

合规链条（图谱要连的那条「纲」）：

外规（要求） → 内规（落实） → 检查点（可验证）

《吕氏春秋》讲 「纲举目张」——外规到内规的引用链是「纲」，Milvus 里散落的 chunk 是「目」。没有纲，目再多也是碎页。

---

三、三维度理解 KM：存 · 找 · 连

维度	关键词	现状	典故
怎么存	PG + MinIO + Milvus	✅ 已有	《永乐大典》分册典藏
怎么找	关键词 + 向量	✅ 已有	按图索骥
怎么连	引用/约束关系网	❌ Phase 1 待建	纲举目张

今天的缺口：解析管线已经抽出了 cross_references、条款 references，但关系散落在 JSON 里，没持久化。搜得到相似段落，答不了「这条内规依据哪条外规」。

---

四、Phase 1 是啥？——先拿 PG 验证，别急着上 Neo4j

分期演进，不推翻现有 KM：

阶段	做什么	Neo4j
Phase 0	需求对齐、OpenSpec、画关系图	不部署
Phase 1	PG km_relation 边表 + 规则抽取 + 检索 1-hop	不上
Phase 2	Neo4j 侧车 + 三通道检索 + RRF	启用
Phase 3	多跳、可视化、场景深度集成	增强

Phase 1 交付清单

1. 存关系：PG 表 km_relation（CITES / SUPERSEDES / REQUIRES）
2. 抽关系：正则匹配「依据《××办法》」等，publish 后自动入库
3. 扩检索：expand_relations=true 做 1-hop 扩展
4. 验价值：002 监管对标 PoC，hit@5 目标提升 ≥ 15%

Phase 1 刻意不做

• ❌ 部署 Neo4j
• ❌ LLM 全量建图
• ❌ 前端图谱可视化
• ❌ 多跳 Cypher

设计哲学：先拿绳子把书串起来，别急着建整座地图馆。

---

五、1-hop 是啥？——关系网上只扩一圈

hop = 在关系图里走几步边

外规 A ──CITES──→ 内规 B ──CITES──→ 内规 C

深度	搜到 A 时能看到
0-hop（默认）	只有 A 自己的 chunk
1-hop	A + 直接引用的 B
2-hop	A + B + C（B 引用的）

Phase 1 的 expand_relations 就是 1-hop：

向量命中 knowledge A
  → 查 km_relation：A 有没有 CITES 边指向 B、C
  → 把 B、C 的 title + excerpt 拼进 A 的检索上下文
  → 前缀标记 [关联]，下游 SKILL schema 不变

为啥只做 1-hop？

• PG 一条 WHERE source_knowledge_id = A 就够，实现轻
• 避免关系爆炸（2-hop 可能从 10 条边炸到 100 条）
• 002 场景里「外规点名内规」往往是直接引用，1-hop 够用

大白话：搜到一本书，顺带把参考文献的封面摘要贴过来；参考文献的参考文献？那是 Phase 2 的事。

---

六、Neo4j 侧车是啥？——边斗模式，不是换引擎

侧车（Sidecar） = 在现有 KM 主链路旁边挂一个专门管关系的存储，不替换 PG / MinIO / Milvus。

KnowledgeService.publish()
  ├── KmIndexer        → Milvus 向量索引   （主车）
  └── GraphIngest      → Neo4j 图谱写入     （侧车）

侧车三原则

1. 并行写入，主流程不阻塞
   Milvus 成功、Neo4j 失败 → 文档仍可发布，后台 Celery 重试

2. 检索多一路，不替代原路
   向量只在 Milvus；Neo4j 不双写 embedding，只管结构边

3. 可开关
   KM_GRAPH_NEO4J_ENABLED=false 时 no-op，KM 照常跑

src/infrastructure/
├── rag/      # Milvus（已有）
└── neo4j/    # 图侧车（Phase 2）
    ├── client.py
    ├── ingest.py
    └── retriever.py

30 秒版：Neo4j 是「关系地图馆」，KM 是「合规图书馆」——主馆找段落，侧馆追引用链。

---

七、RRF 是啥？——多路检索的「排名投票器」

RRF = Reciprocal Rank Fusion（倒数排名融合）

问题：两路分数没法直接比

通道	分数示例	量纲
向量语义	0.82	相似度 0~1
BM25 关键词	12.5	另一套

不能直接加权平均。

RRF 思路：不看分数，看排名

对排名第 rank（从 0 开始）的结果：

RRF分 += 1 / (k + rank + 1)     # 项目里 k = 60

同一条结果在语义榜第 2、关键词榜第 5 → 两边 RRF 分相加，越高越靠前。

手算例子

搜「客户尽职调查」：

排名	语义	BM25
1	文档 A	文档 B
2	文档 B	文档 A

• 文档 A：语义第 1 + 关键词第 2 → 两路都靠前 → 综合第一
• 文档 C：只在语义榜 → 一路分 → 靠后

直觉：两路都认的结果，最靠谱。

RRF（RAG检索优化三要素：Recall召回 + Rank排序 + Filter过滤）三维度完整大纲

每一模块统一结构：专业定义 + 大白话解释 + 生活案例 + 古代典故诠释

---

维度一：Recall 召回（粗筛）

1.专业解释

向量库/全文索引中，基于用户问题做初步批量检索，从海量文档里快速捞出一批候选文本。目标是高召回率，宁可多捞，不能漏掉有用信息，属于大范围粗筛选。

2.大白话

先大面积撒网，把所有沾边的资料全部找出来，保证有用内容不会被漏掉，暂时不考虑垃圾内容。

3.生活案例

在图书馆查找历史资料，先把所有带“三国”关键词的书籍一次性全部借出来，先保证相关书籍一本不落，暂时不区分内容好坏。

4.典故诠释：广收博采（萧何收秦典籍）

刘邦攻入咸阳，众人争抢金银财宝，唯独萧何第一时间把秦朝天下律令、户籍、地理档案全部收藏。
思想内核：Recall不求精简，只求全覆盖。先把全部潜在有用素材尽数收拢，避免关键资料遗失，为后续筛选打下基础。

---

维度二：Rank 排序（精排）

1.专业解释

对召回得到的候选片段做相关性打分，依据语义相似度、上下文匹配度重新调整先后顺序，把最贴合用户提问的内容排在最前面，压低无关内容优先级。

2.大白话

渔网捞上来一堆鱼之后，按照个头大小、新鲜程度重新排队，最符合需求的放到首位。

3.生活案例

拿到几十本三国书籍后，逐一翻看内容，把专门讲赤壁之战的书本排到最前面，人物传记放到后面，无关杂书继续往后挪。

4.典故诠释：量材而授官（诸葛亮选贤排等）

诸葛亮治理西蜀，广揽人才之后，再依据才干高低划分等级，把懂军政的重臣置于决策前排，普通官吏位列其后。
思想内核：完成粗召回之后，再依据匹配度分出先后次序，让最匹配上下文的信息优先被大模型读取。

---

维度三：Filter 过滤（降噪）

1.专业解释

对排序后的结果做截断与清洗，剔除重复内容、冗余文本、低质量噪声片段，控制上下文长度，只保留高价值信息，防止无关内容干扰大模型输出。

2.大白话

排好队之后，把杂鱼、水草、重复的垃圾全部丢掉，只留下几条核心大鱼，精简素材总量。

3.生活案例

排好书籍顺序后，删掉内容重复的小册子，剔除野史谣言，只保留正史原文，精简到三五本核心资料再开始阅读。

4.典故诠释：删繁就简（孔子删诗书）

上古史料浩如烟海，孔子广泛收集文献之后，删减虚妄、重复、冗余篇章，最终整理出精简版《诗经》《尚书》。
思想内核：召回求全、排序求准、过滤求精，砍掉噪声冗余，避免上下文被无效信息污染。

---

整套RRF流程典故总结

1. Recall（萧何收秦图籍）：广搜集，不漏关键材料；
2. Rank（孔明铨选官吏）：排次序，优先匹配内容；
3. Filter（孔子删定六经）：去糟粕，精简上下文噪声。

整体思想：先撒网、再排队、最后除杂草，这就是RAG检索链路RRF三层核心逻辑。

需要我把这段整理成考试简答题精简版吗？

项目里的真实状态（踩坑预警 ⚠️）

基础设施层 HybridRetriever — 有真 RRF：

# src/infrastructure/rag/retrieval/retriever.py
_RRF_K = 60

class HybridRetriever:
    """Semantic + BM25 hybrid retrieval ...
    Uses Reciprocal Rank Fusion (RRF) to merge semantic and keyword scores.
    """

KM 的 SearchService — 目前不是真 RRF：

PG hits + vector hits 拼接去重，PG 固定 0.5 分；PG 先命中还会压制向量分。

Phase 2 规划三路 RRF：

PG 关键词  ──┐
Milvus 向量 ──┼──→ RRF 融合 ──→ 最终结果
Neo4j 图检索 ──┘

大白话：两个评委打分体系不同，RRF 说——别管具体多少分，看各自排名第几，两边都靠前的赢。

---

八、全链路串起来：一次 002 监管对标检索

Phase 1 今天能做的事：

• 向量搜相似内规 ✅
• 沿 CITES 1-hop 拉回「被外规点名」的内规 ✅（新能力）
• 三路 RRF + Neo4j 多跳 ⏳ Phase 2

---

九、给架构师的决策备忘

问题	建议
第一期要不要上 Neo4j？	不要，PG 边表先验证
关系怎么抽？	规则优先（「依据/参照/按照《》」），LLM 辅助可选
检索怎么扩？	1-hop CITES，默认关闭保兼容
向量还要不要？	要，图谱是叠加层，不替代 Milvus
业务场景怎么绑库？	library_ids 硬绑，别只靠 kb_scope

---

十、总结：一张表带走

术语	人话	阶段
KM	合规知识库正式资产层	已有
内规/外规	监管定的 vs 本行落地的	已有
Phase 1	PG 存关系 + 规则抽取 + 1-hop	首批交付
1-hop	关系网只扩一圈邻居	Phase 1
Neo4j 侧车	图库伴跑，不替主存储	Phase 2
RRF	多路检索按排名融合	HybridRetriever 已有；KM 三路 Phase 2

口语收尾版：

咱们 KM 已经能把合规文档存好、切好、搜到相似片段——这是「永乐大典」加「按图索骥」。
缺的是「纲举目张」那条纲。Phase 1 用 PG 先把绳结打上；Phase 2 Neo4j 侧车 + RRF 三路融合，才是完整版图。

---

如果这篇文章对你有帮助，欢迎 👍 点赞 · ⭐ 收藏 · 💬 评论区交流

你在做 RAG / 知识图谱 / 合规场景时，遇到过「向量搜到了但引用链断了」的情况吗？评论区聊聊你的解法。

---

转载声明：本文为原创文章，如需转载，请联系作者获得授权，并注明出处。