1. 课程导入

欢迎进入《金融法规RAG检索与合规问答实战》。在正式开始写第一行检索代码之前，我们需要先建立一张“全局地图”：这门课到底解决什么问题、用什么方法解决、最终要交付什么。金融合规领域的知识工作者——合规官、风控经理、法务、审计人员、金融科技产品经理——每天面对的是海量、分散、更新频繁的监管文件。传统关键词检索常常“找得到字、找不到意”，而通用大模型又容易“编法条、造条款”。本课程的目标，就是让你掌握一套可落地、可验证、可审计的RAG（Retrieval-Augmented Generation，检索增强生成）工程方法，把“法规检索”和“合规问答”做成可靠的生产级能力。

一、学习目标：从“会问”到“会建、会评、会管”

本课程不是泛泛介绍RAG概念，而是围绕金融法规这一高约束场景，设定四个递进目标：

• 理解层：能说清金融法规语料的特殊性——层级效力、时效性、条款引用、跨文件关联、罚则与义务主体，以及这些特性如何影响切分、索引与召回策略。
• 构建层：能独立完成从法规采集、清洗、结构化切分、向量化、混合检索到重排序的完整链路，并配置可复现的参数。
• 问答层：能设计合规问答的提示词模板、引用约束与拒答机制，使回答“有出处、可追溯、不越权”。
• 评估层：能建立检索命中率、引用准确率、幻觉率、拒答正确率等指标，用测试集驱动迭代，而不是凭感觉调参。

二、核心原理：RAG为什么适合金融法规

RAG的本质是“先检索、后生成”：把用户问题转化为查询，从法规库中召回最相关的条款片段，再把这些片段作为上下文交给大模型生成答案。它解决了纯生成模型的两个致命问题：知识截止与幻觉。金融法规更新频繁，模型参数里不可能装下最新发布的办法、指引和处罚案例；而RAG把“知识”外置到可随时更新的索引中，模型只负责理解和表达。

但金融法规场景对RAG提出了更高要求。普通文档检索允许“大致相关”，合规问答却要求“精确到条”。因此本课程强调混合检索：向量检索负责语义相似，BM25负责关键词与条款号精确匹配，二者融合后再用重排序模型精排。下面是一个典型的检索配置片段：

retriever:
  type: hybrid
  vector:
    model: bge-m3
    top_k: 20
  bm25:
    analyzer: ik_smart
    top_k: 20
  fusion:
    method: rrf
    k: 60
  rerank:
    model: bge-reranker-v2-m3
    top_n: 5
  filters:
    - effective_date <= query_date
    - status == "现行有效"

这段配置里，effective_date和status过滤是金融法规特有的“硬约束”——失效或尚未生效的条款绝不能进入上下文，否则答案再流畅也是错的。

三、方法流程：本课程的整体框架

课程共30章，按“认知—构建—优化—实战”四阶段推进。第一阶段建立法规语料认知与RAG基础；第二阶段动手搭建检索与问答链路；第三阶段聚焦评估、调优与合规风控；第四阶段完成一个端到端的实战项目。整体框架如下表：

四、实战项目与典型场景

贯穿全课程的实战项目是“某商业银行理财业务合规问答助手”。它需要回答类似这样的问题：“我行代销的R2级理财产品，在宣传材料中能否使用‘预期收益率’表述？”系统必须召回《商业银行理财业务监督管理办法》《关于规范金融机构资产管理业务的指导意见》等文件中的具体条款，给出结论并附上条款出处；若法规未明确，则明确拒答并提示咨询法律部门。

五、常见误区与复盘

初学者最容易踩的坑，往往不在模型，而在数据与评估。以下三个误区请务必警惕：

1. 按固定字数切分法规：把“第十七条”从中间切断，导致条款义务主体与罚则分离。应按“条-款-项”结构切分，并保留父级标题作为元数据。
2. 只用向量检索：用户问“《资管新规》第二十一条”，向量模型对条款号不敏感，必须靠BM25精确匹配兜底。
3. 没有评估集就调参：换模型、改top_k、调提示词全靠感觉，最终无法判断是否真的变好。应先建50–100条标注测试集，再迭代。

现在，你已经掌握了本课程的全局地图：目标是从“会问”走向“会建、会评、会管”，核心方法是混合检索加引用约束，实战项目是理财业务合规问答助手。接下来，我们将从金融法规语料的特性开始，一步步把这张地图变成可运行的系统。