基于RAG的計算機類課程知識庫構建及應用研究

摘要：針對大語言模型在計算機類課程教學問答系統中面臨的知識碎片化、動態更新遲滯及多模態資源整合不足等問題，該研究提出了一種基于檢索增強生成（Retrieval-Augmented Generation， RAG） 的課程知識庫系統構建方法。該方法旨在通過動態意圖識別和混合檢索策略算法，實現計算機類課程知識點的高效組織與精準服務。動態意圖識別通過構建上下文感知的語義推理網絡，實時解析用戶查詢中隱含的實踐操作需求與知識拓撲關聯，有效緩解傳統方法對復合型教學意圖的誤判問題。混合檢索策略融合了語義推理與跨模態對齊技術，采用動態權重分配機制，實現文本、操作流程等多源數據的協同檢索。實驗結果表明，基于RAG的混合檢索方法相比純大語言模型，在準確率和召回率上均有明顯提升。

關鍵詞：大語言模型；檢索增強生成；知識庫；多模態

中圖分類號：TP311" " " " 文獻標識碼：A

文章編號：1009-3044（2025）08-0026-03

開放科學（資源服務） 標識碼（OSID）

0 引言

計算機類課程具有知識迭代速度快、實踐關聯性強等特征，其教學資源通常涵蓋教材文本、實驗代碼、操作視頻等多模態數據。隨著教育數字化轉型的推進，課程資源呈現出碎片化分布特征，不同模態數據間的語義關聯性與結構化程度差異顯著。當前教育領域基于關鍵詞的智能問答系統主要面臨兩方面的技術瓶頸：1） 傳統檢索方法在處理多模態數據時，受限于模態間的語義鴻溝與結構差異，難以實現跨模態資源的精準關聯；2） 大語言模型（Large Language Model， LLM） 雖具備較強的生成能力，但其參數固化特性易導致知識時效性不足與領域幻覺問題。

本研究提出面向計算機類課程的混合檢索策略，通過代碼片段抽象語法樹（Abstract Syntax Tree， AST） 的結構化表征與文本語義向量的跨模態對齊，實現編程邏輯與理論知識的協同檢索，解決傳統方法在代碼語義解析與多模態資源關聯中的精度損失問題。同時，設計基于RAG的教學問答系統，為教育場景下大模型與領域知識的深度耦合提供了技術路徑。

1 理論基礎

1.1 RAG

RAG（Retrieval-Augmented Generation，檢索增強生成） 是自然語言處理領域的新型架構范式，主要包括檢索模塊和生成模塊。其核心思想是通過外部知識檢索機制提升生成模型的內容準確性與事實一致性。該范式通過信息檢索系統與預訓練語言模型的結合，在生成過程中動態檢索相關領域文檔作為上下文約束，有效緩解傳統生成模型因參數固化導致的時效性不足與事實幻覺問題[1]。相比純LLM，RAG能夠借助本地知識庫提升時效性與準確性。

1.2 本地知識庫

本地知識庫指部署在本地計算環境中的結構化或非結構化數據集合，專為特定組織或應用場景定制構建，具備領域專精性與數據可控性特征。通常整合企業內部文檔、專業文獻、操作日志等異構數據源，通過信息抽取、實體鏈接等技術轉化為機器可讀的知識圖譜或向量化表示，支持語義檢索、推理服務等智能化應用。與通用互聯網知識庫相比，其核心優勢在于數據主權明確、隱私保護性強且更新維護機制自主可控。

2 計算機類課程知識庫構建方法

2.1 多模態數據采集與處理

建立計算機課程知識庫的過程中，需要對教材文本內容、教學視頻、代碼庫中的程序實例以及學生實驗文檔等跨模態異構數據資源進行系統性整合與協同處理。通過自然語言處理技術解析課程文檔，結合語音識別與關鍵幀提取技術處理視頻內容，運用抽象語法樹分析代碼結構特征，并建立跨模態語義關聯標注體系。數據清洗階段重點解決格式不統一、信息冗余及噪聲干擾問題，采用實體鏈接技術實現知識點與教學資源的精準映射，同時構建時序關聯模型刻畫課程內容的邏輯演進關系。

2.2 向量化與索引構建

向量化是將課程多模態資源（文本、代碼、視頻等） 轉化為低維數值向量的技術過程，旨在通過深度學習模型提取其語義與結構特征。其核心是通過預訓練語言模型、圖神經網絡及視覺編碼器等技術，將非結構化數據映射至統一語義空間，形成機器可計算的稠密向量表征。向量化可突破關鍵詞局限，實現精準語義檢索，構建跨模態語義關聯（如圖文、代碼） ，并借助壓縮與近似索引技術，提升億級數據檢索效率。索引構建旨在高效組織高維向量數據，基于近似最近鄰搜索（Approximate Nearest Neighbor， ANN） 、分層導航或量化編碼技術建立索引結構，支持快速匹配與語義相似度計算，目標是加速向量的檢索和查詢[2]。

2.3 知識更新與質量控制

課程知識庫的動態更新依賴自動化采集與人工審核的協同機制：為實時更新課程知識庫，本系統采用定制化爬蟲監控MOOC平臺、課程官網等。檢測到更新后觸發增量抓取流程，并借助異構數據管道實現新版課件的實時解析與向量化。針對代碼案例與實驗步驟的更新，采用AST比對算法檢測語法邏輯差異，結合HNSW（Hierarchical Navigable Small World graphs） 索引的增量擴展技術避免全量重建開銷，同時基于課程版本元數據構建時序知識圖譜，防止新舊概念沖突。

質量控制層面，設計雙通道反饋閉環：教師端審核界面支持錯誤答案標記與知識點關聯修正，系統通過主動學習策略將標注數據用于嵌入模型微調；學生端則部署知識沖突檢測模塊，利用預訓練模型對用戶提問與檢索結果進行一致性驗證，若檢測到潛在矛盾，自動觸發人工審核工單。

3 基于RAG的課程問答系統設計

3.1 系統架構

前端架構采用微信小程序或網頁形式實現輕量化交互，后端架構則基于LangChain組件流水線構建，通過Flask框架封裝Restful API服務[3]。系統采用分層處理架構，包含以下核心功能模塊。

1） 輸入預處理單元：對用戶輸入的問題進行清洗、分詞、詞性標注、實體識別等預處理操作。該單元輸出結構化語義框架，為下游模塊提供規范化輸入表征，可有效降低后續模塊處理語義歧義的負載。

2） 語義理解單元：運用深度學習模型對預處理后的文本進行語義分析，提取問題的關鍵信息和意圖。通過集成預訓練語言模型與領域適配機制，采用上下文感知編碼器實現語義角色標注與意圖分類雙任務的協同學習。通過多頭注意力機制建立跨層次語義關聯，針對教學場景特別構建問題類型分類矩陣，并通過動態權重分配策略，有效處理專業術語的語境敏感解析。

3） 知識檢索單元：根據語義理解結果，在課程知識庫中查找相關信息。構建多源數據融合檢索框架，包含結構化關系型數據庫、向量化知識圖譜及稠密檢索模型。采用混合檢索策略，結合特征匹配與余弦相似度計算，執行多跳推理檢索路徑優化。

4） 答案生成單元：結合知識檢索結果，使用文本生成技術生成回答。對于簡單事實型問題，可以直接返回檢索結果；對于復雜問題，可能需要進行推理、融合多個信息源等操作。

3.2 核心算法設計

3.2.1 動態意圖識別

動態意圖識別作為知識庫交互系統的核心算法，其設計需解決用戶查詢的多義性與上下文動態演化問題。該算法采用多模態輸入聯合建模策略，通過融合文本、代碼片段及操作日志等多源數據，構建基于課程知識圖譜的語義理解框架[4]。針對自然語言查詢的模糊性，引入預訓練語言模型與課程領域適配機制，利用對比學習在課程本體約束下生成細粒度意圖向量。上下文感知模塊采用時序圖神經網絡，動態跟蹤用戶歷史交互路徑與知識點關聯強度，通過注意力機制捕捉當前查詢與前期對話的語義連續性。為應對知識庫更新引發的意圖分布偏移，設計增量式在線學習架構，結合課程更新日志與用戶反饋數據實現意圖分類器的動態優化。算法實現時采用分層蒸餾策略，將大型預訓練模型的知識遷移至輕量級意圖識別網絡，確保低延遲響應與高并發處理能力。

3.2.2 混合檢索策略

混合檢索策略采用異構特征協同機制，整合符號匹配與語義理解技術以優化多模態知識獲取效能。系統構建雙通道并行處理架構：一方面，針對結構化數據資源（如API文檔、知識點關系表） 實施改進型稀疏檢索方法，通過引入課程本體約束條件動態調整關鍵詞權重分布，強化領域特定術語的匹配精度；另一方面，針對非結構化文本（如實驗報告、技術討論帖） ，部署課程領域適配的稠密向量檢索模塊，基于雙塔式神經網絡生成低維語義表征，結合量化索引技術實現大規模向量空間的快速相似度計算。在檢索結果融合階段，設計上下文感知的動態加權機制，通過輕量級門控網絡分析查詢語句的語法特征與語義完整性，自適應調節符號匹配得分與語義相似度值的整合比例。為降低跨模態檢索延遲，系統構建知識單元導向的多級緩存結構，采用熱度感知的替換策略優先保留高頻訪問內容，結合課程章節關聯性預測實現緩存命中率優化[5]。

4 實驗與結果

4.1 數據集與評估指標

實驗數據集構建基于程序設計基礎、數據庫技術基礎、計算機網絡三門計算機核心課程的數字化資源，整合了1 268份課程文檔（包括課件、實驗手冊、試題解析等結構化與非結構化文本） 及342個實驗操作視頻，形成了跨模態課程知識庫。文檔數據通過代碼片段提取、公式解析與知識點關聯挖掘完成了結構化處理，視頻資源則通過每秒關鍵幀視覺特征抽取和語音轉錄生成了多模態表征。數據集按照7：2：1的比例劃分為訓練集（888份文檔+239個視頻） 、驗證集（254份文檔+68個視頻） 和測試集（126份文檔+35個視頻） 。

本實驗采用基于黃金標準集的二元相關性判定框架，針對檢索系統返回的Top-10結果進行性能評估：

準確率（Precision） ：返回結果中與查詢真實相關的文檔比例，計算公式為：相關文檔檢出數/總返回文檔數，用于衡量系統抗噪聲能力。

召回率（Recall） ：標準答案集中被成功檢索到的相關文檔比例，計算公式為：相關文檔檢出數/總相關文檔數，反映系統查全能力。

P值：在零假設成立的前提下，觀測到當前極端結果的概率，通常用于判斷實驗結果是否具有統計顯著性。當P值＜0.05時，通常認為結果具有統計學意義（拒絕零假設） 。

4.2 結果對比

實驗結果表明，基于RAG框架的增強方法較純LLM生成模式在計算機類課程的1 500個查詢樣本上取得了顯著性能提升，準確率由72.1%提升至89.4%；混合檢索策略通過融合文本語義與視頻時空特征，在標準測試集上的召回率達到了89.7%，較單一文本檢索提升了25.3%，驗證了多模態對齊機制的有效性。如表1所示。

5 結論與展望

本研究針對計算機專業課程資源檢索中存在的模態割裂與語義鴻溝問題，提出了一種融合符號匹配與語義理解的混合檢索框架，為教學課程知識庫的智能化服務提供了有效解決方案。通過構建雙通道異構特征處理機制與動態加權融合策略，系統實現了結構化文檔與非結構化資源的協同檢索，顯著提升了跨模態查詢的意圖理解精度。研究成果對教育資源的數字化管理、個性化學習支持系統的開發具有實際應用價值，為多模態教育知識庫的構建提供了方法論參考。

當前方法在跨模態語義對齊深度、實時視頻特征提取效率方面仍存在優化空間。未來工作將重點探索兩方面的突破：首先，引入多模態大模型（如GPT-4V） 的視覺－文本聯合編碼能力，強化視頻操作步驟與代碼邏輯的時空關聯建模；其次，構建教育智能體協同框架，通過智能體分工機制實現知識采集、質量校驗與服務響應的全流程自動化，推動教學支持系統向自主化、自適應方向演進。

參考文獻：

[1] 張力軍，劉偲，廖紀童，等.基于大模型檢索增強生成的計算機網絡實驗課程問答系統設計與實現[J].實驗技術與管理，2024，41（12）：186-192.

[2] 梅憶寒，王琳琳，王鵬飛，等.基于多模態與檢索增強生成的數據庫知識問答系統[J].計算機教育，2024（12）： 232-237.

[3] 竇鳳岐，胡珊，李佳隆，等.基于LangChain的RAG問答系統設計與實現：以C語言課程問答系統為例[J].信息與電腦（理論版），2024，36（6）：101-103.

[4] 湯博文，馬名軒，張以寧，等.基于意圖識別與檢索增強生成的校園問答系統[J].通信學報， 2024， 45 （S2）： 255-261.

[5] 高雅奇.基于大語言模型和RAG技術的高校知識庫智能問答系統構建與評價[J].電腦知識與技術，2024，20（29）：18-20，38.

【通聯編輯：代影】