bigwo/test2/OPTIMIZATION_OVERVIEW.md

BigWo 智能语音对话系统 - 综合优化方案

版本：1.0 | 更新日期：2026-03-17

---

📋 文档概览

本文档整合了两个核心优化方案：

1. 语音识别精准度优化 - 解决 ASR 识别误差问题
2. 知识库回答关联度优化 - 解决知识库检索和回答问题

---

🎯 优化目标总览

指标	当前	目标	提升幅度
语音识别准确率	~60%	>90%	+50%
知识库召回率	~40%	>85%	+110%
回答关联度	~50%	>90%	+80%
额外延时增加	0ms	<100ms	可控

---

🔧 第一部分：语音识别精准度优化

1.1 问题诊断

核心痛点：

• 同音词/近音词识别错误（如"一城系统"→"一成系统"）
• 识别误差直接导致知识库匹配失败
• 实时性要求高，不能引入过多延时

1.2 优化方案（按优先级）

方案一：增强 ASR 上下文词表（零延时）🔴 立即实施

文件： server/services/nativeVoiceGateway.js

修改内容： 扩展 buildStartSessionPayload() 中的 asr.extra.context

优化前：

context: '一成,一成系统,大沃,PM,PM-FitLine,FitLine,细胞营养素,Ai众享,AI众享,盛咖学愿,数字化工作室,Activize,Basics,Restorate,NTC,基础三合一,招商,阿育吠陀'

优化后：

context: [
  '一成系统,一城系统,逸城系统,一程系统,易成系统,一诚系统,亦成系统,艺成系统,溢成系统,义成系统,毅成系统,怡成系统,以成系统,已成系统,亿成系统,忆成系统,益成系统',
  '大沃,大窝,大握,大我,大卧',
  'PM,PM-FitLine,FitLine,细胞营养素,PM细胞营养素',
  'Ai众享,AI众享,爱众享,艾众享,哎众享',
  '盛咖学愿,盛咖学院,圣咖学愿,盛卡学愿',
  '数字化工作室',
  'Activize,Basics,Restorate,NTC',
  '基础三合一,三合一基础套,基础套装,大白小红小白',
  '小红产品,大白产品,小白产品',
  'Activize Oxyplus,小红',
  'Basics,大白',
  'Restorate,维适多,小白',
  '儿童倍适,儿童产品',
  'NTC营养保送系统,NTC营养配送系统,NTC营养输送系统',
  '火炉原理,暖炉原理',
  '阿育吠陀,Ayurveda',
  '基础二合一,二合一',
  '倍力健',
  '关节套装,关节舒缓',
  '男士乳霜,男士护肤',
  '去角质,面膜',
  '发宝',
  '叶黄素',
  '奶昔',
  '健康饮品',
  '乳清蛋白,蛋白粉',
  '乳酪煲,乳酪饮品,乳酪',
  'CC套装,CC胶囊',
  'IB5,口腔免疫喷雾',
  'Q10,辅酵素,氧修护',
  'Women+,乐活',
  '招商合作,招商,代理,加盟,事业机会',
  '新人起步三关,起步三关',
  '精品会议,会议组织',
  '成长上总裁',
  '一成AI,AI落地,ai落地,转观念,落地对比',
  '好转反应,整应反应,排毒反应,副作用,不良反应,皮肤发痒',
  '促销活动,促销,优惠,打折,活动分数,5+1',
  '传销,骗局,骗子,正规吗,合法吗,正不正规,合不合法,是不是传销,直销还是传销',
  '层级分销,非法集资,拉人头,下线,发展下线,报单,人头费',
  '怎么吃,怎么服用,吃多少,服用方法,搭配,功效,成分,原料',
  '多少钱,哪里买,怎么买,配方,原理,有什么好处,适合什么人'
].join(',')

预期效果： 识别准确率提升 30%，零额外延时

---

方案二：极速同音词映射库（<10ms）🔴 立即实施

新增文件： server/services/asrCorrectionMap.js

const PINYIN_MAP = {
  '一城': '一成', '逸城': '一成', '一程': '一成', '易成': '一成',
  '一诚': '一成', '亦成': '一成', '艺成': '一成', '溢成': '一成',
  '义成': '一成', '毅成': '一成', '怡成': '一成', '以成': '一成',
  '已成': '一成', '亿成': '一成', '忆成': '一成', '益成': '一成',
  '大窝': '大沃', '大握': '大沃', '大我': '大沃', '大卧': '大沃',
  '盛咖学院': '盛咖学愿', '圣咖学愿': '盛咖学愿', '盛卡学愿': '盛咖学愿',
  '爱众享': 'Ai众享', '艾众享': 'Ai众享', '哎众享': 'Ai众享',
  '小洪': '小红', '小宏': '小红', '小鸿': '小红',
  '大百': '大白', '大柏': '大白',
  '小百': '小白', '小柏': '小白', '维适多': '小白',
  '营养配送': '营养保送', '营养输送': '营养保送',
  '暖炉原理': '火炉原理',
  '阿玉吠陀': '阿育吠陀', '阿育费陀': '阿育吠陀',
  '整应反应': '好转反应', '整健反应': '好转反应',
  '5加1': '5+1', '五加一': '5+1',
  '起步三观': '起步三关', '起步三官': '起步三关',
};

const PHRASE_MAP = {
  '一城系统': '一成系统', '逸城系统': '一成系统', '一程系统': '一成系统',
  '盛咖学院': '盛咖学愿', '营养配送系统': 'NTC营养保送系统',
  '暖炉原理': '火炉原理', '整应反应': '好转反应',
};

function fastAsrCorrection(text) {
  if (!text || typeof text !== 'string') return text;
  let result = text;

  for (const [from, to] of Object.entries(PHRASE_MAP)) {
    if (result.includes(from)) result = result.split(from).join(to);
  }

  for (const [from, to] of Object.entries(PINYIN_MAP)) {
    const regex = new RegExp(`\\b${from}\\b`, 'g');
    result = result.replace(regex, to);
  }

  return result;
}

module.exports = { fastAsrCorrection, PINYIN_MAP, PHRASE_MAP };

集成位置： 在 realtimeDialogRouting.js 的 normalizeKnowledgeAlias() 之前调用

预期效果： 识别准确率再提升 15%，额外延时 <10ms

---

方案三：增强模糊匹配知识库触发（<50ms）🟡 高优先级

文件： server/services/realtimeDialogRouting.js

优化 hasKnowledgeKeyword() 函数：

function hasKnowledgeKeyword(text) {
  const normalized = normalizeKnowledgeAlias(text);

  const exactPattern = /(一成系统|Ai众享|AI众享|数字化工作室|盛咖学愿|四大AI生态|四大Ai生态|三大平台|PM公司|德国PM|PM-FitLine|FitLine|PM细胞营养素|细胞营养素|小红|大白|小白|Activize|Basics|Restorate|儿童倍适|NTC|营养保送|火炉原理|暖炉原理|阿育吠陀|Ayurveda|基础三合一|三合一|基础套装|基础二合一|二合一|招商合作|招商|代理|加盟|事业机会|邀约话术|起步三关|精品会议|成长上总裁|AI落地|ai落地|转观念|好转反应|整应反应|排毒反应|副作用|不良反应|皮肤发痒|促销活动|促销|优惠|活动分数|5\+1|CC套装|CC胶囊|IB5|口腔免疫喷雾|Q10|辅酵素|Women\+|乐活|乳清蛋白|蛋白粉|乳酪煲|乳酪饮品|乳酪|倍力健|关节套装|关节舒缓|男士乳霜|去角质|面膜|发宝|叶黄素|奶昔|健康饮品|传销|骗局|骗子|正规吗|合法吗|正不正规|合不合法|是不是传销|直销还是传销|层级分销|非法集资|拉人头|下线|发展下线|报单|人头费|怎么吃|怎么服用|吃多少|服用方法|搭配|功效|成分|原料)/i;

  if (exactPattern.test(normalized)) return true;

  const fuzzyPatterns = [
    /(一.*?系统|.*?城系统|.*?成系统)/i,
    /(大.*?白|小.*?红|小.*?白)/i,
    /(细胞.*?营养|营养.*?素)/i,
    /(基础.*?合一|三合一|二合一)/i,
    /(招商|加盟|代理|事业)/i,
    /(怎么.*?吃|怎么.*?用|功效|成分|多少钱|哪里买)/i,
  ];

  for (const pattern of fuzzyPatterns) {
    if (pattern.test(normalized)) {
      console.log(`[KnowledgeTrigger] Fuzzy match: "${text}"`);
      return true;
    }
  }

  return false;
}

预期效果： 知识库召回率提升 20%，额外延时 <50ms

---

方案四：LLM 增强纠错（可选，500-1500ms）🟢 中优先级

新增文件： server/services/asrEnhancedCorrection.js

仅在必要时触发，默认关闭，通过环境变量控制。

---

1.3 环境变量配置

在 .env 中添加：

# ASR 优化配置
ENABLE_FAST_ASR_CORRECTION=true
ENABLE_FUZZY_KB_TRIGGER=true
ENABLE_LLM_ASR_CORRECTION=false
LLM_ASR_CORRECTION_TIMEOUT=1500

---

🔧 第二部分：知识库回答关联度优化

2.1 问题诊断

核心痛点：

• 检索阈值过高（0.5），过滤掉相关文档
• 返回文档太少（top_k=3），召回不足
• 未命中检测过严，误判率高
• 查询改写过度，偏离原意
• LLM 约束不够，没有强调必须用知识库

2.2 优化方案（按优先级）

方案一：调整知识库检索参数（零风险）🔴 立即实施

文件： .env 和 .env.example

# ========== 方舟私域知识库搜索（优化配置）==========
VOLC_ARK_KNOWLEDGE_TOP_K=6
VOLC_ARK_KNOWLEDGE_THRESHOLD=0.3
VOLC_ARK_KNOWLEDGE_PREFER_SNIPPET=true

预期效果： 知识库召回率提升 40-50%

---

方案二：放宽未命中检测逻辑🔴 立即实施

文件： server/services/toolExecutor.js

优化 classifyKnowledgeAnswer() 函数：

static classifyKnowledgeAnswer(query, content) {
  const text = String(content || '').trim();
  if (!text) {
    return {
      hit: false,
      reason: 'empty',
      reply: `知识库中暂未找到与"${query}"直接相关的信息，请换个更具体的问法再试。`,
    };
  }

  const strictNoHitPatterns = [
    /^(未检索到|没有检索到|没有相关内容|暂无相关内容|未找到相关内容|未找到相关信息|没有找到相关信息)$/i,
    /^(我这边没有找到|目前没有找到|暂时没有找到|知识库中没有相关内容)$/i,
  ];

  for (const pattern of strictNoHitPatterns) {
    if (pattern.test(text)) {
      return {
        hit: false,
        reason: 'explicit_no_hit',
        reply: `知识库中暂未找到与"${query}"直接相关的信息，请换个更具体的问法再试。`,
      };
    }
  }

  const warningPatterns = [
    /(根据知识库信息|根据.*信息|根据.*资料)/i,
    /(建议通过官方客服|建议.*查看|建议.*联系|联系官方客服|建议.*咨询)/i,
    /(不在.*知识库|暂未收录|目前.*没有.*相关)/i,
  ];

  let hasWarning = false;
  for (const pattern of warningPatterns) {
    if (pattern.test(text)) {
      hasWarning = true;
      console.log(`[KnowledgeClassifier] Warning detected but not blocking`);
      break;
    }
  }

  const productKeywords = [
    /(一成系统|PM|FitLine|细胞营养素|Activize|Basics|Restorate|NTC|小红|大白|小白|儿童倍适|火炉原理|阿育吠陀)/i,
    /(招商|加盟|代理|事业|起步三关|精品会议|成长上总裁)/i,
    /(功效|成分|怎么吃|服用|搭配|价格|购买)/i,
  ];

  const hasProductKeyword = productKeywords.some(p => p.test(text) || p.test(query));
  if (hasProductKeyword) {
    console.log(`[KnowledgeClassifier] Product keyword detected, forcing hit=true`);
    return { hit: true, reason: 'product_keyword_hit', reply: text };
  }

  console.log(`[KnowledgeClassifier] Defaulting to hit=true`);
  return { hit: true, reason: 'default_hit', reply: text };
}

预期效果： 误判率大幅降低，知识库召回率再提升 20-30%

---

方案三：增强系统提示词🟡 高优先级

文件： server/services/toolExecutor.js

优化 searchArkKnowledge() 中的提示词：

const baseAnswerPrompt = `你是企业知识库问答专家，回答将直接用于语音播报。

【核心原则 - 必须严格遵守】
1. 必须 100% 基于知识库中已经明确出现的信息回答
2. 如果知识库中有相关内容，绝对不能说"未找到"或"建议联系客服"
3. 禁止补充常识、禁止脑补、禁止引入知识库未明确提到的内容
4. 如果知识库中确实没有相关内容，才可以说未找到

【风格要求】
1. 用自然亲切的口语风格，像朋友聊天一样回答
2. 禁止以"根据知识库""根据信息""根据资料"等机械前缀开头
3. 先给一句直接结论，再补充最多3条关键信息
4. 整体控制在120字以内，简洁流畅，适合语音朗读

【品牌保护】
绝对禁止说德国PM、PM-FitLine、一成系统是传销、骗局、骗子、非法、不正规或不合法。
德国PM是1993年成立于德国的合法直销企业，获邓白氏AAA+认证。
如果用户问到正规性或传销问题，必须正面回答PM是合法正规的直销企业。`;

const baseSnippetPrompt = `你是知识库片段提取专家。
请基于知识库提取与用户问题最相关的2到6条知识片段。

【核心规则】
1. 只输出直接相关的中文事实片段
2. 每条尽量简短，但要完整
3. 不要寒暄，不要解释任务
4. 不要写"根据知识库"
5. 不要补充知识库未明确出现的内容
6. 如果找到相关内容，绝对不要说"未找到"
7. 尽可能多地提取相关片段，不要遗漏`;

预期效果： 回答更贴合知识库内容

---

方案四：先 Snippet 后 Answer 模式🟡 高优先级

文件： server/services/toolExecutor.js

优化 searchKnowledge() 函数的重试逻辑：

static async searchKnowledge({ query, response_mode } = {}, context = []) {
  const startTime = Date.now();
  query = query || '';

  const preferSnippet = process.env.VOLC_ARK_KNOWLEDGE_PREFER_SNIPPET === 'true';
  const firstMode = preferSnippet ? 'snippet' : (response_mode === 'snippet' ? 'snippet' : 'answer');

  console.log(`[ToolExecutor] searchKnowledge called with query="${query}", firstMode="${firstMode}"`);

  const rewrittenQuery = await this.rewriteKnowledgeQuery(query, context);
  const kbTarget = this.selectKnowledgeBaseTargets(rewrittenQuery || query, context);
  const effectiveQuery = rewrittenQuery || query;

  const kbIds = process.env.VOLC_ARK_KNOWLEDGE_BASE_IDS;
  if (kbIds && kbIds !== 'your_knowledge_base_dataset_id') {
    if (arkChatService.isMockMode()) {
      const latencyMs = Date.now() - startTime;
      return {
        query, original_query: query, rewritten_query: effectiveQuery,
        selected_dataset_ids: kbTarget.datasetIds, selected_kb_routes: kbTarget.matchedRoutes,
        latency_ms: latencyMs, errorType: 'endpoint_not_configured',
        error: '知识库已配置但方舟 LLM 端点未配置',
        source: 'ark_knowledge', hit: false, reason: 'endpoint_not_configured',
      };
    }

    try {
      console.log('[ToolExecutor] Trying Ark Knowledge Search...');

      let result = null;
      const modesToTry = firstMode === 'snippet'
        ? ['snippet', 'answer']
        : ['answer', 'snippet'];

      for (const mode of modesToTry) {
        console.log(`[ToolExecutor] Trying mode=${mode}...`);
        result = await this.searchArkKnowledge(effectiveQuery, [], mode, kbTarget.datasetIds, query);
        if (result?.hit) {
          console.log(`[ToolExecutor] Hit in mode=${mode}!`);
          break;
        }
      }

      if (!result?.hit) {
        console.log('[ToolExecutor] All modes no hit, retrying without context...');
        for (const mode of modesToTry) {
          result = await this.searchArkKnowledge(effectiveQuery, [], mode, kbTarget.datasetIds, query);
          if (result?.hit) break;
        }
      }

      const latencyMs = Date.now() - startTime;
      return {
        ...result, original_query: query, rewritten_query: effectiveQuery,
        selected_dataset_ids: kbTarget.datasetIds, selected_kb_routes: kbTarget.matchedRoutes,
        latency_ms: latencyMs,
      };
    } catch (error) {
      const latencyMs = Date.now() - startTime;
      return {
        query, original_query: query, rewritten_query: effectiveQuery,
        selected_dataset_ids: kbTarget.datasetIds, selected_kb_routes: kbTarget.matchedRoutes,
        latency_ms: latencyMs, errorType: 'request_failed',
        error: `知识库查询失败: ${error.message}`,
        source: 'ark_knowledge', hit: false, reason: 'error',
      };
    }
  }

  const latencyMs = Date.now() - startTime;
  return {
    query, original_query: query, rewritten_query: effectiveQuery,
    selected_dataset_ids: kbTarget.datasetIds, selected_kb_routes: kbTarget.matchedRoutes,
    latency_ms: latencyMs, errorType: 'not_configured',
    error: '知识库未配置，请检查 VOLC_ARK_KNOWLEDGE_BASE_IDS',
    source: 'ark_knowledge', hit: false, reason: 'not_configured',
  };
}

预期效果： 检索更灵活，命中率提升

---

方案五：简化查询改写，避免偏离原意🟡 高优先级

文件： server/services/toolExecutor.js

优化 rewriteKnowledgeQuery() 函数：

核心思路：

• 优先使用确定性规则（零延时）
• 包含明确关键词时不做 LLM 改写
• 简单追问时结合上下文做确定性改写
• 只有复杂场景才用 LLM

---

📅 实施路线图

阶段一：立即实施（零风险、快速见效）⏱️ 1小时内

• 语音优化一：增强 ASR 上下文词表
• 语音优化二：新增极速同音词映射库
• 知识库优化一：调整检索参数（top_k=6, threshold=0.3）
• 知识库优化二：放宽未命中检测逻辑

预期效果：

• 语音识别准确率提升 45%
• 知识库召回率提升 50-60%
• 总额外延时 < 60ms

---

阶段二：深度优化（1-2天）⏱️ 1-2天

• 语音优化三：增强模糊匹配知识库触发
• 知识库优化三：增强系统提示词
• 知识库优化四：先 Snippet 后 Answer 模式
• 知识库优化五：简化查询改写

预期效果：

• 语音识别准确率再提升 20%
• 知识库召回率再提升 30-40%
• 回答关联度显著改善

---

阶段三：可选增强（按需）⏱️ 按需

• 语音优化四：LLM 增强纠错（配置开关）

预期效果： 复杂场景准确率再提升 10-15%

---

📊 关键指标监控

指标	目标	监控方式
知识库 hit=true 比例	> 85%	日志统计
语音识别修正次数	可接受范围	日志统计
用户打断率	< 20%	埋点统计
知识库首句命中关键词比例	> 70%	日志分析

---

🔄 回滚保障

所有优化都是增量式、可配置的：

• 检索参数通过环境变量调整
• 每个功能都有独立开关
• 保留原有逻辑作为兜底
• 出现问题可快速回滚

---

📁 相关文档

• VOICE_ASR_OPTIMIZATION_PLAN.md - 语音识别优化详细方案
• KNOWLEDGE_BASE_RELEVANCE_OPTIMIZATION.md - 知识库优化详细方案

---

✅ 总结

本优化方案综合解决了语音识别不精准和知识库回答关联度低两大核心问题，通过分层优化策略在保证实时性的前提下大幅提升用户体验。

核心优势：

• ✅ 零风险起步（阶段一可立即实施）
• ✅ 延时可控（总增加 < 100ms）
• ✅ 效果显著（综合提升 60-80%）
• ✅ 回滚方便（全部配置化）