构建金融合规智能问答系统：基于RAG的监管文档检索实战

本文介绍一个完整的RAG（检索增强生成）系统实现，用于金融合规场景下的监管文档智能问答。系统结合语义向量检索与关键词搜索，通过OpenAI大语言模型生成上下文感知的回答，并采用Docker容器化与AWS EKS云原生部署架构。

• 原作者/维护者: Roy16Keane
• 来源平台: GitHub
• 原始标题: RAG-regulatory-copilot
• 原始链接: https://github.com/Roy16Keane/RAG-regulatory-copilot
• 发布时间: 2026-05-25

---

金融行业的合规工作面临着海量监管文档的处理压力。从巴塞尔协议到各国央行的监管指引，合规人员需要快速定位特定条款、理解监管要求，并确保业务操作符合最新规定。传统的人工检索方式效率低下，而通用搜索引擎难以理解金融领域特有的术语和上下文。

Retrieval-Augmented Generation（RAG）技术为解决这一痛点提供了可行路径。通过将文档向量化存储，结合大语言模型的生成能力，系统能够理解自然语言提问，从海量文档中精准检索相关内容，并生成结构化的回答。

---

该项目采用端到端的设计思路，将语义搜索与关键词检索相结合，构建了一套完整的金融合规问答系统。

系统采用微服务架构，主要包含以下核心组件：

检索层（Retrieval Layer）

• Qdrant向量数据库：存储文档的语义嵌入向量，支持高效的相似度搜索
• OpenSearch关键词索引：提供基于关键词的传统检索能力，弥补纯向量检索的不足
• 混合搜索策略：结合向量相似度与关键词匹配，提升检索召回率和精确度

生成层（Generation Layer）

• OpenAI API集成：利用GPT模型基于检索到的上下文生成自然语言回答
• FastAPI推理服务：提供高性能的RESTful API接口，处理查询请求并协调检索与生成流程

用户交互层

• Streamlit前端界面：简洁直观的Web界面，支持自然语言提问和结果展示
• 实时响应：用户输入问题后，系统即时返回检索结果和生成的回答

---

系统使用OpenAI的嵌入模型将监管文档转换为高维向量。这种表示方式能够捕捉文本的语义信息，使得语义相近但用词不同的内容在向量空间中距离较近。例如，"资本充足率"和"CAR比率"会被映射到相近的向量区域。

Qdrant作为向量数据库，支持高效的近似最近邻（ANN）搜索，能够在毫秒级时间内从数十万条文档片段中找出最相关的内容。

纯向量检索虽然能理解语义，但在处理特定术语、编号或专有名词时可能不够精确。系统引入OpenSearch作为补充，通过关键词索引确保这些精确匹配场景下的检索质量。

混合搜索的融合策略通常采用加权评分：向量相似度分数与关键词匹配分数按一定权重组合，最终排序返回最相关的结果。

项目采用Docker进行容器化封装，将API服务和前端UI分别打包为独立镜像。这种设计带来多重好处：

• 环境一致性：开发、测试、生产环境使用完全相同的容器镜像
• 快速扩缩容：Kubernetes可根据负载自动调整Pod数量
• 服务隔离：API与UI独立部署，互不影响

部署流程使用AWS EKS（Elastic Kubernetes Service）作为编排平台，镜像存储在Amazon ECR（Elastic Container Registry）。通过LoadBalancer服务暴露前端界面，用户可通过公网URL直接访问。

---