Nexent RAG实测:从文档入库到售后问答的完整链路
本文记录了在 Nexent 平台上搭建售后智能助手的实测过程。重点解决了文档解析时的型号丢失、切片参数配置不生效等工程问题,并对比了不同 Embedding 模型和检索策略的效果。通过集成 MCP 订单工具,验证了“知识库+工具”双源驱动在复杂售后场景(如拆封退货、型号混淆)中的表现,强调了来源预览对答案可核验性的重要
为什么售后助手需要“有据可查”
售后客服最常遇到的问题往往不是“不知道”,而是“不确定”。比如用户问:“耳机收到四天,没试听过,能退吗?”如果只查通用规则,七天无理由退货似乎没问题。但如果是入耳式耳机,卫生封条一旦拆开,哪怕没听过也不能退;如果是头戴式,允许短时试戴,但要求耳罩清洁。
要回答这个问题,智能体必须同时掌握三样东西:通用的退货期限、特定商品的例外条款、以及当前订单的实际状态(是否拆封、签收几天)。这次我在 Nexent 平台上做了一次深度实测,把五份规则文档和一个只读的订单
MCP 工具接进同一个智能体,看看它能不能把这条推理链走通,并且让每一步都有据可查。
环境搭建与文档入库的坑
测试环境是一台 4 vCPU、8 GiB 内存的 Ubuntu 服务器,运行着 Nexent v2.8.2。除了原有的应用、Redis、Elasticsearch 等服务,这次需要补齐文档处理服务。
内存与路径的两个故障
入库过程并不顺利,遇到了两个典型的工程问题。
第一个是路径继承问题。上传纯文本文件后,任务报错提示图像模型路径不存在。虽然这次只用到了 TXT 和 Markdown,但服务启动时继承了原环境的配置,预加载了图像模型路径。清空相关配置后,文本处理任务才正常进入队列。
第二个是内存溢出。解析容器初始限额设为 1200 MiB,处理五份小文件时进程连续退出,内核日志显示触发了 OOM(Out Of Memory)。考虑到同一台机器上还跑着 API 和其他 Worker,我把解析容器的内存限额调高到 1800 MiB,并同步修改了持久化配置。调整后,五份文件全部解析完成。
这里有个细节:当解析服务和查询服务同时高负载运行时,主机可用内存曾一度降到 479 MiB,导致 SSH 和界面卡顿。对于资源有限的部署环境,分阶段进行入库和集中检索是更稳妥的做法。
型号保真:解析阶段的逐字核对
在向量化之前,我发现了一个严重的内容损耗问题。原文中的 SKU-01:AE-100 入耳式耳机,经过初步解析后,连字符消失,变成了“SKU”、“01:AE”和“100 入耳式耳机”几段。
在售后场景中,AE-100 和 AE-100 Pro 对应完全不同的退货政策。如果型号在入库时就损坏,后续的检索匹配必然出错。
排查发现,Nexent 的解析器将文件以字节流传给 Unstructured 库时,没有携带文件名和类型提示。Unstructured 0.18.14 在处理 TXT 格式时,可能将连字符误识别为列表分隔符。
修复方案很直接:对于 Markdown 文件,显式指定解析器;对于 TXT 文件,明确类型并关闭自动段落整理功能。修复后,我对五份文件的切片进行了逐字比对,确认型号、条款编号和正文内容完全保真。
Embedding 选型与切片策略
为了评估检索效果,我对比了两款 Embedding 模型:百炼 text-embedding-v4 和 qwen3.7-text-embedding。两者都通过 OpenAI 兼容接口接入,统一使用 1024 维向量。
切片参数的“假配置”
在创建知识库时,我在界面上将期望切片大小设为 512 字符,最大 768 字符。但入库后查看切片数量,发现和默认配置(256/384)一样,都是 17 片。
检查源码发现,v2.8.2 版本中,知识库创建弹窗里的高级设置只更新了前端状态,并没有随上传请求传递给解析链。解析器依然读取绑定模型记录中的默认值。
正确的做法是新建一个模型配置。我创建了一个显示名为“百炼 Embedding V4 · 512切片”的配置,指向相同的底层模型,但将切片参数设为 512/768。用这个新配置建立知识库后,切片数量从 17 片降到了 11 片。
| 文件 | V4 基线 (256/384) | 独立 V4 模型 (512/768) |
|---|---|---|
| 退换货通用规则 | 4 | 3 |
| 申请流程与信息不足 | 4 | 2 |
| 耳机规则与例外 | 3 | 2 |
| 充电器规则与兼容 | 3 | 2 |
| 键盘规则与保修 | 3 | 2 |
| 合计 | 17 | 11 |
这一轮调整让我意识到,切片大小直接影响证据的完整性。小切片可能把一条完整的条款切断,大切片则能保留更多上下文,但也会增加噪声。
检索质量评测:模型与切片的博弈
我设计了 24 道测试题,涵盖完整型号查询、省略连字符的模糊查询、普通版与 Pro 版的区别,以及无答案的边界情况(如德国运费、企业折扣)。
评测指标主要看两点:
- Hit@k:至少找到一条有效预期条款。
- 完整覆盖:该问题所需的所有事实(如通用期限+商品例外)都在 Top-k 结果中出现。
开发集结果对比
| 配置 | 模式 | Hit@1 | 完整覆盖@5 | MRR@5 |
|---|---|---|---|---|
| V4, 256/384 | hybrid | 10/11 | 7/11 | 0.9091 |
| Qwen3.7, 256/384 | hybrid | 10/11 | 9/11 | 0.9091 |
| V4, 512/768 | hybrid | 10/11 | 11/11 | 0.9545 |
Qwen3.7 在语义排序上表现更好,能在 Top 3 内补全更多通用条件。而 V4 的大切片(512/768)在 Top 5 完整覆盖上达到了满分。这是因为大切片将原本分散在不同片段的条款(如物流规则和追问条件)合并在了一起,减少了遗漏。
例如,“耳机到了三天,包装还在”这道题,由于缺少完整型号和封条状态,小切片模型很难在 Top 5 中找到要求追问的 POL-08/09 条款。而大切片将这些内容与物流规则合并,Hybrid 检索在第 2 位就命中了关键信息。
最终,我选定 V4 + 512/768 + Hybrid 作为后续问答的固定配置。
双知识库与 MCP 工具联动实测
在单库检索验证通过后,我搭建了最终的问答场景:挂载“通用售后规则”和“商品例外规则”两个知识库,并接入只读 MCP 订单工具。
MCP 工具提供订单事实(签收日期、商品型号、包装状态),知识库提供判断依据。助手需要先查订单,再根据订单状态去知识库检索对应的条款。
六例典型问答分析
我用六笔演示订单进行了端到端测试,结果如下:
| 案例 | 订单条件 | 业务结论正确 | 完整通过 | 主要问题 |
|---|---|---|---|---|
| E2E-01 | 普通键盘,第7日 | 否 | 否 | 停在行动残片,未生成答复 |
| E2E-02 | 入耳耳机,拆封未试听 | 是 | 否 | 执行顺序并行,非串行依赖 |
| E2E-03 | 头戴Pro,短时试戴 | 否 | 否 | 型号解释自相矛盾,引用错配 |
| E2E-04 | 充电器,无法通电 | 是 | 否 | 条款编号未完整标明 |
| E2E-05 | 运输中,物流停滞 | 是 | 否 | 未写条款编号 |
| E2E-06 | 订单不存在 | 是 | 是 | 正确澄清,无幻觉 |
1. 封条例外判断准确,但执行逻辑有瑕疵
DEMO-1002 是入耳式 AE-100,用户强调“没试听过”,但订单显示卫生封条已拆。助手正确引用了 SKU-01 条款,指出“已拆封不支持无理由退货”,并给出了通用规则 POL-02 作为支撑。
但在执行层面,get_order 和知识库检索被放入了同一个并行任务。理想情况下,应该先拿到订单事实,再带着具体条件去检索。虽然这次结果对了,但这种并行逻辑在更复杂的场景中可能会因为缺乏上下文而导致检索偏差。
2. 型号混淆与引用错配
DEMO-1003 是头戴式 AE-100 Pro,允许短时试戴。助手召回了正确的 SKU-02 条款,但在最终回答中却写道:“AE-100 Pro 是入耳式耳机……而 AE-100 Pro 头戴式耳机无此限制。”
同一句话里,型号属性自相矛盾。更糟糕的是,引用链接也错了:指向 POL-02(七日期限)的来源链接,实际打开的是 POL-07(物流停滞)。这种“检索对了,回答错了”的情况,比直接答错更难排查,必须依靠来源预览功能逐一核对。
3. 自动恢复与残片处理
DEMO-1001 在生成回答时中断,留下了 completed_action_history 残片,没有给出最终结论。而 DEMO-1005 遇到了类似的动作格式错误,但平台触发了两次自动恢复,最终补全了代码并给出了正确的质量核验建议。
这说明系统的容错机制在起作用,但也暴露出稳定性问题。对于生产环境,需要更严格的动作校验和重试机制。
来源预览:让答案可核验的关键
这次实测中,最有价值的功能其实是“来源预览”。
在 DEMO-1002 的案例中,通过点击来源卡片,我可以直接看到原始文档 03-耳机规则与例外.md 中的具体内容。左边是 AE-100 的封条限制,右边是 AE-100 Pro 的试戴例外。这种对照阅读的能力,让客服人员能够迅速判断助手的建议是否靠谱。
如果没有这个功能,面对 DEMO-1003 那种型号矛盾的回复,我们只能看到一段文字,很难发现其中的逻辑断裂。有了来源预览,每一个结论都可以回溯到具体的条款编号和原文片段。
总结与建议
Nexent 在这次实测中展示了一个完整的 RAG 落地路径:从底层的文档解析保真,到中层的切片与检索优化,再到上层的工具联动与来源追溯。
对于想要搭建售后智能助手的团队,我有以下几点建议:
- 重视解析阶段的保真:特别是型号、SKU 等关键实体,必须在入库前进行逐字核对。关闭不必要的自动格式化功能,保留原始结构。
- 切片参数需实际验证:不要轻信界面默认值,通过查看实际切片数量和正文来确认配置是否生效。大切片有助于提升复杂问题的完整覆盖率。
- 工具调用需串行依赖:确保先获取订单事实,再基于事实进行检索。并行执行虽然快,但容易丢失上下文关联。
- 来源预览不可或缺:它是连接 AI 黑盒与人工核验的桥梁。只有让客服能看到原始依据,他们才敢真正使用 AI 的建议。
这套组合拳打下来,售后助手不再是一个只会聊天的机器人,而是一个能把判断依据摆在你面前的数字员工。虽然它在执行顺序和引用准确性上还有瑕疵,但每一条错误都有迹可循,这正是构建可信 AI 系统的第一步。