第十章 · 样例查询设计

本章定位：客服系统上线后你会发现一个现象——80% 的用户问题集中在 20% 的高频问题上。「营业时间」「客服电话」「退货政策概要」「怎么联系人工」……这些问题答案固定、每天被问上百次。如果每次都走完整的「检索→重排→生成」链路，既慢又贵——明明答案早就写好了，为什么要让大模型重新生成一遍？样例查询（Sample Query）就是为这批高频标准问题设计的「零成本快速通道」。

本章讲清楚：为什么需要样例查询？它和知识库检索是什么关系？完整的「配置→向量化→匹配→零 LLM 直返」生命周期怎么走？为什么向量要独立存储、和知识库隔离？

---

一、为什么需要样例查询

1. 高频问题的成本痛点

假设一个电商客服系统，每天 10000 次提问，其中：

• 「怎么退货」被问 1500 次
• 「客服电话是多少」被问 800 次
• 「营业时间」被问 600 次
• 「怎么联系人工」被问 500 次

光这 4 个问题就占了 3400 次（34%）。它们的答案固定且已知——退货流程写好了、客服电话是 400-XXX、营业时间 9:00-21:00。

但如果不做特殊处理，这 3400 次每次都要走：

query embedding → 向量检索 → 关键词检索 → RRF融合 → 重排 → MMR → 大模型生成

大模型每次把同样的检索证据重新「翻译」一遍，生成几乎一模一样的答案。一次生成假设花 0.05 元、耗时 3 秒——3400 次就是 170 元、累计 170 分钟的用户等待。而这些答案完全可以预先写好，直接返回。

2. 样例查询的解法：向量命中即直返

样例查询的核心思路：

预先把高频问题和标准答案写进样例库（问题向量化）
     ↓
用户提问时，先拿问题和样例库做向量匹配
     ↓
命中（相似度≥阈值）→ 直接返回预写答案，跳过整个 RAG 链路
未命中 → 走正常的检索+生成

效果：

• 命中时零 LLM 调用、零检索、零重排——只是一次向量查询（毫秒级），返回预写答案；

---

🔒 以上为本章部分预览（约 10%）

本章剩余 90% 内容包含：关键源码逐行拆解、设计细节与工程权衡、代码示例与生产实践要点。

💡 本次展示的仅为部分预览内容（约 10%）。完整的源码深度解析包含每一个技术点的完整实现细节。点击上方按钮扫码加入知识星球，解锁全部内容。