如何在扣子中对知识库召回结果进行二次过滤（Post-Filtering）提升答案质量

必须在大模型生成前用Rerank节点二次过滤知识库召回结果，选用bge-reranker-large模型重排序，保留原始分数后按0.65阈值动态过滤，并通过文本处理节点按业务规则硬性剔除冲突条款。

当知识库召回的Top-K结果里混入语义相近但业务无关的干扰项（比如“退差价”流程中召回了“换货政策”条款），必须在大模型生成前做二次过滤，否则错误依据会直接污染输出。

用Rerank节点对召回结果做语义重排序

第一步：在工作流中，把知识库检索节点的输出 → 接入「Rerank」节点。

第二步：在Rerank节点设置里，选择扣子内置的bge-reranker-large模型——该模型专为中文长文本交叉打分优化，比默认的light版本多37%的上下文理解精度。

第三步：勾选【保留原始分数】→ 输入用户原始问题作为Query，将知识库返回的所有chunk作为Document列表批量送入。这一步必须开启，否则rerank后无法回溯原始匹配度，后续无法做阈值截断。

基于匹配度阈值动态丢弃低质片段

方法一：在Rerank节点后接「代码节点」，用Python脚本过滤：

输入字段设为rerank_output（JSON数组），执行以下逻辑：

import json
data = json.loads(INPUT)
filtered = [item for item in data if item.get("score", 0) > 0.65]
OUTPUT = json.dumps(filtered, ensure_ascii=False)

【0.65是实测安全阈值】低于此值的片段在汽车售后类场景中误召率达82%，高于0.75又会漏掉关键长尾问题（如“ETC设备激活失败”）。

方法二：不用写代码，直接用「条件分支节点」：

设置判断条件为「rerank_score ≥ 0.65」→ 真分支走大模型生成，假分支接「空回复」并触发人工兜底提示。这一步跳过代码调试，适合上线前快速验证效果。

按业务规则硬性剔除冲突段落

如果召回内容里同时出现“支持7天无理由退货”和“定制商品不支持退货”，必须人工干预优先级。

在Rerank之后、大模型之前插入「文本处理节点」：

① 用正则提取所有段落中的核心条款关键词（如“定制商品”“7天无理由”“不支持退货”）；

② 若检测到“定制商品”与“7天无理由”共存于同一召回批次，则【强制删除含‘7天无理由’的段落】——因为业务规则明确：定制类商品条款效力永远高于通用退货政策；

③ 剩余段落再拼接成context传给大模型。