招采问答大模型

具备RAG技术的招采大模型，实现知识库自动构建、智能问答、精准溯源及动态更新，有效解决传统招采效率低、溯源难等痛点，赋能招采业务数智化转型。

首页 > 解决方案 > 领域解决方案 > 政务 > 招采问答大模型

平台介绍

在数字化转型加速推进的背景下，招采领域对高效、智能的信息处理与知识服务需求日益迫切。传统招采业务中，知识库构建效率低、知识问答精准度不足、信息溯源困难及知识库内容更新滞后等问题，制约了招采工作的智能化水平。为解决上述痛点，本项目聚焦招采场景核心需求，研发具备 RAG 知识库自动构建、智能知识问答、问答溯源及知识库联网拓展功能的招采大模型，助力提升招采业务的数字化、智能化水平，为招采决策提供高效支撑。

功能介绍

依托北京大学“问智”大模型团队在检索增强生成（RAG）领域的核心技术积累，结合招采业务场景需求，以“知识完整化、检索精准化、问答可信化、信息全域化”为目标，分模块实现系统建设，确保技术方案落地性与先进性兼具。

RAG知识库自动构建

非结构化文档解析：深度解析PDF、Word等复杂文档，通过OCR与版面分析技术，将混乱数据转化为机器可读的清洁文本。突破传统文档解析仅提取文本的局限，融合视觉布局分析与自然语言理解技术，实现复杂格式文档的深度解析。
基于T-Doc的文档结构自动拆解：利用T-Doc技术智能识别文档层级与版面布局，精准拆解标题、表格与段落，实现机器对文档逻辑结构的深度理解与重组。突破文档物理结构限制，构建符合招采业务逻辑的树型知识结构
自适应滑动窗口文档语义切片：通过动态调整窗口大小智能捕捉上下文，将长文档切分为语义完整的片段，在突破模型长度限制的同时，确保段落语境的连贯性。摒弃传统固定长度切片导致的语义断裂问题，采用自适应滑动窗口算法，结合招采文本的语义特征动态调整切片长度。
语义切片向量化服务：将文本片段转化为计算机可理解的高维向量，捕捉深层语义特征，为后续实现高效的语义检索与相似度计算提供核心算力支撑。采用“问智”团队优化的Sentence-BERT中文预训练模型（针对招采领域语料微调），将语义切片转化为高维向量，捕捉招采专业术语的深层语义特征

RAG大模型知识问答

多轮知识问答：通过维护对话上下文记忆，精准理解用户的连续追问意图，实现流畅自然的类人交互体验，高效解决复杂的深度咨询需求。突破传统单轮问答的局限，通过动态上下文记忆机制，实现招采领域复杂问题的多轮深度交互。
用户意图识别：利用大模型技术理解用户背后的真实需求与查询动机，对查询进行改写以提升大模型知识问答准确性。针对招采业务中用户提问模糊（如“我能参与这个项目吗”）的问题，采用“问智”团队的基于问题模型的主动提问技术，实现用户意图的精准识别与澄清。
知识冲突化解：针对知识库中多源信息中可能存在的矛盾内容，通过Know-PO知识偏好优化技术，另大模型具有筛选最有结论的能力、提升输出准确性。采用“问智”团队的Know-PO（Knowledge-aware Preference Optimization）知识感知偏好优化技术，实现冲突知识的智能筛选。

知识问答溯源

向量空间最近邻检索引擎：在海量知识库中实现毫秒级的高维数据匹配，快速精准锁定与问题最相关的语义内容，大幅提升信息检索的效率与准确率。采用“问智”优化的FAISS 向量检索引擎，结合招采知识的多粒度特征，实现毫秒级、高精准度的知识召回。
溯源答案展示：生成回答时自动关联并展示引用的原文出处，方便用户验证信息真伪，解决大模型“黑盒”问题，显著增强系统的可信度。突破传统溯源仅标注“出处文档名”的局限，实现“答案-知识单元-原文片段”的三级溯源展示，方便招采用户验证信息真伪。

知识库联网拓展

大模型联网工具调用：赋予模型连接互联网获取实时信息及调用外部API的能力，突破知识库内容约束和知识时间截止限制。基于LangChain框架集成联网检索工具与API调用能力，实现大模型在内部知识不足时的自动联网补充。
网络开放数据与知识库信息融合检索：整合内部私有知识库与外部互联网公开数据，通过互补融合检索，消除信息孤岛，为用户提供兼具深度与时效性的全方位信息服务。采用“问智”的多源数据融合算法，将内部知识库与外部联网数据进行深度整合，避免信息孤岛与重复冗余

关键技术

文档解析技术

采用Apache Tika结合Tesseract OCR 引擎，实现PDF、Word等文档的文本提取及图片格式文档的 OCR 识别，搭配版面分析算法，精准识别文档标题、段落、表格等结构元素。

T-Doc文档结构拆解技术

基于深度学习的文档结构识别模型，自动解析文档目录层级与版面布局，生成树状结构化数据，实现文档逻辑结构的深度理解与重组。

语义切片技术

采用自适应滑动窗口算法，结合Transformer模型的语义理解能力，动态调整窗口大小，确保切片文本的语义完整性，突破大模型长度限制。

向量化技术

选用Sentence-BERT预训练模型，将文本切片转化为高维向量，捕捉深层语义特征，为高效向量检索提供支撑。

向量检索技术

采用FAISS向量检索引擎，构建高效的向量索引，支持毫秒级最近邻检索，确保问答溯源的快速性与准确性。

大模型技术

基于开源大模型（如 Llama 3 70B）进行微调，优化招采领域专业知识问答能力，结合Prompt Engineering实现意图识别与知识冲突化解。

联网工具调用技术

采用LangChain框架集成联网检索工具，实现自动触发网络搜索、API调用功能，支持外部数据的实时获取与整合。

Web开发技术

前端采用Vue3+ Element Plus框架，开发用户友好的交互界面；后端采用Python + FastAPI框架，实现高效的接口开发与服务部署。

数据库技术

采用PostgreSQL存储结构化文本、用户信息、操作日志等数据，搭配pgvector插件支持向量数据存储与检索；采用 MinIO存储原始文档与备份数据。

落地案例

是以阿里通义千问32B开源大模型为底座，融合海量业务数据训练的招采垂域大模型，模型基于优化的RAG（检索增强技术）构建，具有主动提问、冲突知识化解、精准用户意图识别等特色功能。吸收了来自国家立法机构出台的法律法规，国务院发布的条例及通知，国家发改委出台的规定、办法及通知，最高人民法院所发布的法律释义等文件150余份，来自工信部、财政部、住建部、交通运输部、水利部、农业部、商务部七个部委所发布的文件规定150余份，来自各省市政府所发布的文件200余份。