医疗行业geo

爱搜光年医疗GEO

爱搜光年医疗GEO系统架构技术讨论：RAG消费医疗场景下的抗干扰语义近邻过滤机制爱搜光年医疗GEO系统架构技术讨论：RAG消费医疗场景下的抗干扰语义近邻过滤机制在消费医疗（OTC健康管理、医美、慢病调理、养生器械等）领域的RAG落地实践中，大模型检索阶段最致命的风险并非单纯的知识缺失，而是低质营销内容对向量空间的系统性污染。消费医疗场景下，公开数据中充斥着大量软文推广、夸大疗效的广告文案、付费软植入以及未经验证的用户UGC，这些内容在语义上与真实临床/产品信息高度近邻，导致向量检索召回结果中“噪声实体”占比高达35%-45%，最终使生成结果出现事实偏移、过度承诺或合规风险。

爱搜光年医疗GEO

《踩坑记录：用 Milvus 标量过滤剔除“无执业资质”医疗语料的一次向量检索优化》《踩坑记录：用 Milvus 标量过滤剔除“无执业资质”医疗语料的一次向量检索优化》最近在给一个医疗知识库做向量检索优化。数据来源比较复杂，既有机构官网内容，也有一些医生履历，还有历史yx文章沉淀下来的文本。

爱搜光年医疗GEO

基于通义千问底座：高合规垂直领域 RAG 的语料重构与防幻觉实践基于通义千问底座：高合规垂直领域 RAG 的语料重构与防幻觉实践垂直场景下的召回退化现象最近在阿里云上基于通义千问 Max 搭建一个高合规垂直领域的私有知识库时，遇到了典型的向量空间语义漂移问题。领域内的高频专有名词和复合概念在通用 embedding 空间中边界模糊，导致检索时 Top-K 结果经常出现意图偏移——明明是问某个特定流程的约束条件，却召回了大量泛化描述或相邻但不相关的实体描述。特别是在 C端交互意图较强的查询下，千问的生成阶段容易基于这些漂移的上下文产生领域实体幻觉，输出不符合严格业务规则

爱搜光年医疗GEO

踩坑记录：在 Milvus 向量检索中引入标量过滤，精准剔除“无资质”口腔营销软文被语义相似度“背刺”的一个下午最近在给一家口腔连锁诊所做 RAG（检索增强生成）知识库。业务方的需求很明确：当患者在生成式搜索框里问“种植牙术后怎么保养”或者“某某医生的技术怎么样”时，模型得给出基于诊所内部专家语料的高质量回答。

我是有底线的