如何打造一问多答，跨数据库检索的RAG问答系统？

哎呀， 今天又被那混合检索的坑给拉回来了跟着 CodeBuddy 一起玩耍了半天后来啊还是要手动跑一堆脚本来把三张表搞成一条线。说实话，我这人写代码也能写到半夜，但对三种数据库的耦合我还是有点头疼。

一、为什么要做一问多答？

没法说。 在企业内部知识库里 总有那么几篇文档是用“请假流程”写的，却在查询时被人输入“年假申请”。传统关键词搜索根本无法捕捉到这种语义差异。于是我们决定用 RAG来解决这个问题：先检索，再生成答案。可单靠向量检索也不够，主要原因是向量库往往只存文本嵌入，而不含结构化元数据。

1️⃣ 结构化元数据

你没事吧？ 这里存的是文档 ID、 创建时间、所属部门等信息。主要原因是它支持 JSONB 和强事务，所以很适合做精确匹配。

2️⃣ 文档内容

我给跪了。 Mongo 的灵活 schema 能让我们直接把原始 Markdown 或 Word 内容存进去，随时可以全文检索。

3️⃣ 向量库

负责语义相似度搜索，把“请假流程”和“年假申请”这两句话映射到同一个向量空间里，探探路。。

二、 技术栈选择与痛点

我最开始想直接用 OpenAI 的 text‑embedding‑ada‑002，然后把后来啊塞进 Pinecone，听起来很简单，可实际操作时就出现了维度不匹配、连接池耗尽等错误。

• 维度不匹配：模型输出 1536 维，却误传给了一个 512 维的索引；
• 连接池耗尽：PostgreSQL 并发请求过多导致 CPU 直逼 100%；
• N+1 查询：一次聚合请求反而变成了数百次小查询。

于是我又找 CodeBuddy 把所有配置都写成了 async 函数，期望能把 I/O 到极致。