参考资料

• LangChain Retrieval
• Milvus 文档

RAG（07） - IK 分词器工程化：词典、重建与灰度发布

读完后，你应能：

• 能验证“IK 可以改善中文词边界，但插件并不自动带来好召回”，并保存输入、输出与失败样本。
• 能验证“真正的工程工作是管理插件兼容性、领域词典版本、索引重建和回归评测”，并保存输入、输出与失败样本。
• 能验证“若产品名、缩写和错误码更适合精确匹配，应使用 keyword 子字段，不要把所有问题都推给词典”，并保存输入、输出与失败样本。

IK 可以改善中文词边界，但插件并不自动带来好召回。真正的工程工作是管理插件兼容性、领域词典版本、索引重建和回归评测。若产品名、缩写和错误码更适合精确匹配，应使用 keyword 子字段，不要把所有问题都推给词典。

flowchart TD
    W[领域术语与坏案例] --> D[版本化词典]
    D --> N[所有 ES 节点加载]
    N --> A[分词回归]
    A --> I[新建 knowledge_chunks_vN]
    I --> R[全量重建与 Recall@K]
    R --> G{发布门禁}
    G -->|通过| S[切换读别名]
    G -->|失败| B[回滚词典或 mapping]

一、先建立全局：IK 分词器工程化：词典、重建与灰度发布 是什么？

理解“IK 分词器工程化：词典、重建与灰度发布”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“IK 分词器工程化：词典、重建与灰度发布”的第一个核心判断是：索引与查询使用不同 analyzer 是一种起点，不是通用真理。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	索引配置	索引与查询使用不同 analyzer 是一种起点，不是通用真理。
2	词典生命周期	词典文件至少记录 dictionary_version、术语来源、负责人、上线日期和回滚版本。
3	何时不用 IK	领域术语变化极快：将同义词、精确字段和查询改写组合使用，避免每天重建大索引。
4	验收	分词回归和权限内 Recall@10 达标；
5	IK 可以改善中文词边界	IK 可以改善中文词边界，但插件并不自动带来好召回。
6	真正的工程工作是管理插件兼容性、领域词典版本、索引重建和回归评测	真正的工程工作是管理插件兼容性、领域词典版本、索引重建和回归评测。

1.1 核心对象之间怎样衔接

flowchart LR
  S1["索引配置"] --> S2
  S2["词典生命周期"] --> S3
  S3["何时不用 IK"] --> S4
  S4["验收"] --> S5
  S5["IK 可以改善中文词边界"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“IK 分词器工程化：词典、重建与灰度发布”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“IK 分词器工程化：词典、重建与灰度发布”的对象和顺序已经明确后，再看可观察的失败：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、索引配置

PUT /knowledge_chunks_v2
{
  "mappings": {
    "dynamic": "strict",
    "properties": {
      "tenant_id": {"type": "keyword"},
      "acl_groups": {"type": "keyword"},
      "error_codes": {"type": "keyword", "normalizer": "lowercase"},
      "title": {
        "type": "text",
        "analyzer": "ik_max_word",
        "search_analyzer": "ik_smart",
        "fields": {"raw": {"type": "keyword"}}
      },
      "content": {
        "type": "text",
        "analyzer": "ik_max_word",
        "search_analyzer": "ik_smart"
      }
    }
  }
}

索引与查询使用不同 analyzer 是一种起点，不是通用真理。ik_max_word 可能制造大量词元并增加索引体积，ik_smart 也可能把领域短语拆错，必须用真实金标集决定。

三、词典生命周期

词典文件至少记录 dictionary_version、术语来源、负责人、上线日期和回滚版本。远程词典服务需要超时、缓存与内容哈希；任何节点加载失败都应阻止切换新索引。热更新只影响后续分析，既有文档的词元不会自动变化，因此词典变更通常需要重建。

# domain.dic
Visual Worktree
离线建库
多路召回
PAY-1042

用 _analyze 同时验证索引和查询分词：

POST /knowledge_chunks_v2/_analyze
{
  "field": "content",
  "text": ["Visual Worktree 离线建库失败，错误码 PAY-1042"]
}

四、可执行的集群一致性检查

# requirements.txt
elasticsearch>=8,<10

五、何时不用 IK

• 订单号、错误码、邮箱和版本号：独立抽取为 keyword。
• 多语言知识库：优先评估通用 analyzer、语言字段分流或专用搜索服务。
• 领域术语变化极快：将同义词、精确字段和查询改写组合使用，避免每天重建大索引。
• 仅靠向量召回已满足需求：不要为“技术栈齐全”增加插件运维成本；但仍需用真实错误码问题验证。

六、验收

所有节点插件版本一致；词典哈希可追踪；分词回归和权限内 Recall@10 达标；新索引完成文档数与 Chunk 数对账；别名切换可回滚；索引体积与 P95 没有超过预算。

七、动手验证：先跑通 IK 分词器工程化：词典、重建与灰度发布，再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“IK 分词器工程化：词典、重建与灰度发布”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

7.1 基线与候选只允许一个变量不同

验证“IK 分词器工程化：词典、重建与灰度发布”时，先固定标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“IK 分词器工程化：词典、重建与灰度发布”时，动作是：依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成。原始结果不能只保留截图或汇总分数，必须同步保存：原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
通过阈值	正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料
立即停止	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论

7.2 执行前先排除不可比较条件

“IK 分词器工程化：词典、重建与灰度发布”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“IK 分词器工程化：词典、重建与灰度发布”的当前环境重复运行。
• 候选只改变一个与“IK 分词器工程化：词典、重建与灰度发布”结论直接相关的条件。
• “IK 分词器工程化：词典、重建与灰度发布”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “IK 分词器工程化：词典、重建与灰度发布”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

7.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“IK 分词器工程化：词典、重建与灰度发布”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份
过程可回放	依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成
结果可审计	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace

“IK 分词器工程化：词典、重建与灰度发布”的一次合格基线对照按以下顺序执行：

1. 保存“IK 分词器工程化：词典、重建与灰度发布”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“IK 分词器工程化：词典、重建与灰度发布”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“IK 分词器工程化：词典、重建与灰度发布”：依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成。
4. 为“IK 分词器工程化：词典、重建与灰度发布”保存：原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace。
5. 使用“IK 分词器工程化：词典、重建与灰度发布”预登记条件判断：正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料。
6. 如果“IK 分词器工程化：词典、重建与灰度发布”未通过，不修改第二个变量，先恢复基线并保留失败现场。

八、用一张矩阵验证 IK 分词器工程化：词典、重建与灰度发布 的关键结论

矩阵按正文顺序列出“IK 分词器工程化：词典、重建与灰度发布”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
索引配置	索引与查询使用不同 analyzer 是一种起点，不是通用真理。	只改变与“索引配置”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
词典生命周期	词典文件至少记录 dictionary_version、术语来源、负责人、上线日期和回滚版本。	只改变与“词典生命周期”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
何时不用 IK	领域术语变化极快：将同义词、精确字段和查询改写组合使用，避免每天重建大索引。	只改变与“何时不用 IK”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
验收	分词回归和权限内 Recall@10 达标；	只改变与“验收”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
IK 可以改善中文词边界	IK 可以改善中文词边界，但插件并不自动带来好召回。	只改变与“IK 可以改善中文词边界”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
真正的工程工作是管理插件兼容性、领域词典版本、索引重建和回归评测	真正的工程工作是管理插件兼容性、领域词典版本、索引重建和回归评测。	只改变与“真正的工程工作是管理插件兼容性、领域词典版本、索引重建和回归评测”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace

8.1 记录本次实际实验

下面的记录用于“IK 分词器工程化：词典、重建与灰度发布”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "IK 分词器工程化：词典、重建与灰度发布"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成"
evidence: "原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace"
pass_when: "正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料"
stop_when: "解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

8.2 边界实验必须证明能够停止和恢复

成功路径只能证明“IK 分词器工程化：词典、重建与灰度发布”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace	正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“IK 分词器工程化：词典、重建与灰度发布”，第一步是：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“IK 分词器工程化：词典、重建与灰度发布”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

九、IK 分词器工程化：词典、重建与灰度发布 的结果解释

解释“IK 分词器工程化：词典、重建与灰度发布”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	先执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链
异常链路无法恢复	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	先执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“IK 分词器工程化：词典、重建与灰度发布”只有同时满足“正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料”，并且没有出现“解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“IK 分词器工程化：词典、重建与灰度发布”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“IK 分词器工程化：词典、重建与灰度发布”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

十、IK 分词器工程化：词典、重建与灰度发布 的发布判断

发布判断需要把“IK 分词器工程化：词典、重建与灰度发布”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “IK 分词器工程化：词典、重建与灰度发布”的基线与候选只存在一个计划内变量。
• “IK 分词器工程化：词典、重建与灰度发布”的输入、代码、依赖、配置和数据版本可以追溯。
• “IK 分词器工程化：词典、重建与灰度发布”的正常、临界、失败和恢复样本使用同一套断言。
• “IK 分词器工程化：词典、重建与灰度发布”的原始输出、中间状态和失败现场已经保留。
• “IK 分词器工程化：词典、重建与灰度发布”的日志、Trace、截图和测试数据已经脱敏。
• “IK 分词器工程化：词典、重建与灰度发布”的停止条件、负责人和回滚入口已经演练。
• “IK 分词器工程化：词典、重建与灰度发布”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“IK 分词器工程化：词典、重建与灰度发布”的判断，就不能发布。

十一、总结

• 索引配置：索引与查询使用不同 analyzer 是一种起点，不是通用真理。
• 词典生命周期：词典文件至少记录 dictionary_version、术语来源、负责人、上线日期和回滚版本。
• 何时不用 IK：领域术语变化极快：将同义词、精确字段和查询改写组合使用，避免每天重建大索引。
• 验收：分词回归和权限内 Recall@10 达标；