跳到主要内容

知识范围路由服务的核心实现（上）

上一篇讲了 AUTO_DOCUMENT 模式的整体流程，这一篇我们深入 KnowledgeRouteService.route 方法，看看它是如何实现三层路由决策的。

route 方法的整体结构​

KnowledgeRouteServiceImpl.route 方法是整个知识范围路由的核心入口，它的代码结构非常清晰：

/**
 * 执行知识范围路由主流程。
 * 路由顺序大致为：
 * 1. 构造查询上下文
 * 2. 识别知识域候选
 * 3. 识别主题候选
 * 4. 对具体文档打分排序
 * 5. 计算置信度并生成最终决策
 *
 * @param question 原始问题
 * @param rewriteQuestion 改写问题
 * @return 路由决策结果
 */
@Override
public KnowledgeRouteDecision route(String question, String rewriteQuestion) {
    // 先把原问题和改写问题整理成统一的路由查询上下文，后续所有打分都复用这份上下文。
    RouteQueryContext queryContext = buildQueryContext(question, rewriteQuestion);
    KnowledgeRouteDecision decision = new KnowledgeRouteDecision();
    if (queryContext.queryTerms().isEmpty()) {
        // 连有效关键词都提不出来时，直接返回失败决策，避免后续无意义打分。
        decision.setRouteStatus("FAILED");
        decision.setReason("问题为空或无法提取有效关键词");
        return decision;
    }

    // 路由采用"知识域 -> 主题 -> 文档"的逐层缩小策略，先粗筛再细排。
    List<ScopeRouteCandidate> scopeCandidates = rankScopes(queryContext);
    List<TopicRouteCandidate> topicCandidates = rankTopics(queryContext, scopeCandidates);
    List<DocumentRouteCandidate> documentCandidates = rankDocuments(queryContext, scopeCandidates, topicCandidates);
    decision.setScopes(scopeCandidates);
    decision.setTopics(topicCandidates);
    decision.setDocuments(documentCandidates);

    // 最终置信度主要由 top1 和 top2 的相对差距决定。
    BigDecimal confidence = resolveConfidence(documentCandidates);
    decision.setConfidence(confidence);
    if (documentCandidates.isEmpty()) {
        decision.setRouteStatus("FAILED");
    }
    else if (confidence.compareTo(BigDecimal.valueOf(0.55D)) < 0) {
        // 候选存在但置信度不足时，保留结果但标记为低置信度，交给上层决定是否澄清。
        decision.setRouteStatus("LOW_CONFIDENCE");
    }
    else {
        decision.setRouteStatus("SUCCESS");
    }

    // reason 用于解释"为什么是这些候选"，便于调试和前端展示。
    decision.setReason(documentCandidates.isEmpty()
        ? "没有找到可用候选文档"
        : resolveDecisionReason(documentCandidates, confidence));
    return decision;
}

整个方法可以分为五个步骤，我们按照执行顺序逐一来看。

第一步：构造路由查询上下文​

RouteQueryContext queryContext = buildQueryContext(question, rewriteQuestion);

这一步调用 buildQueryContext 方法，把原问题和改写问题整理成一个统一的查询上下文对象。

RouteQueryContext 的结构​

/**
 * 路由查询上下文。
 * 汇总原问题、改写问题、组合路由文本、关键词列表以及问题向量。
 */
private record RouteQueryContext(String originalQuestion,
                                 String rewriteQuestion,
                                 String routingText,
                                 `List<String>` queryTerms,
                                 float[] queryEmbedding) {
    private boolean semanticEnabled() {
        return queryEmbedding != null && queryEmbedding.length > 0;
    }
}

这个上下文对象包含了路由所需的所有信息：

字段类型说明
originalQuestionString用户的原始问题
rewriteQuestionString改写后的问题
routingTextString组合后的路由文本（原问题 + 改写问题）
queryTermsList<String>提取出的关键词列表
queryEmbeddingfloat[]问题的向量表示（用于语义匹配）

付费内容提示

该文档的全部内容仅对「码力全开」项目实战&技术讲解 知识星球用户开放

加入星球，一次获得完整项目资料、全栈技术知识库和长期答疑服务。

100万+字全栈技术知识库深入讲解技术核心、数据库、中间件和分布式等内容
8套热门的实战项目持续更新的企业级项目覆盖高并发、微服务、数据中台 和 AI Agent 等方向
AI 技术知识大模型面试详解覆盖 AI 模型原理、Agent、RAG、MCP、Skills、Harness 等核心知识点
文档 + 视频两种讲解形式既能系统阅读，也能跟随视频理解核心业务

完整项目实战资料

每套项目均包含从 0 到 1 讲解文档核心业务讲解视频

从基础项目到复杂业务场景，项目资料会持续更新。

8 套项目
  • 01Nexus Agent AI 智能体
  • 02Nexus Agent Pro 完全版
  • 03黑马点评Plus
  • 04大麦
  • 05大麦Pro
  • 06大麦AI
  • 07流量切换
  • 08数据中台

加入后还能获得

进入星球后，即可享受上述所有服务，保证不会再有其他隐藏费用。

从学习、面试到项目启动，都可以继续获得支持。

  • 1 对 1 解答项目和技术问题都可以提问
  • 针对性补充没有讲清楚的内容会继续补充
  • 面试与简历指导梳理回答技巧和项目亮点
  • 中间件云环境项目依赖可以直接接入使用
  • 面试后复盘被问住的问题可以继续交流
  • 远程问题解决项目启动问题可协助排查
知识星球二维码

扫码进入知识星球

  1. 打开微信，扫描左侧二维码，加入「码力全开」项目实战&技术讲解 知识星球
  2. 查看星球使用指导，获取完整项目讲解资料索引
解锁全部付费内容
🎁优惠