教育RAG双引擎检索实战方案
推荐指数 42.0 NO. 010 · 2026.06.20
Stars140创建4 天前Forks2Issues0
为什么值得看
一个面向教育场景的RAG系统，用BM25+向量混合检索解决纯语义检索精度不足的问题。对正在搭建垂直领域问答系统的团队有直接参考价值，尤其是需要兼顾响应速度和答案准确率的场景。
面向教育场景的RAG智能问答系统，融合关键词匹配与语义检索双引擎，融合MySQL和RAG技术，先经过MySQL数据库的检索(还融合了Redis辅助储存和搜索)，若无符合条件答案，则进入RAG系统，RAG知识库中的知识储存在Milvus向量数据库中
编辑判断
做垂直领域RAG的团队普遍面临一个两难：纯向量检索对专业术语和精确匹配支持差，但加上关键词搜索又容易搞成复杂的规则工程。这个项目把BM25作为第一级快速过滤、Milvus作为第二级语义兜底，并用微调BERT做查询意图分类来决定是否跳过语义检索，这个分层设计比LlamaIndex的默认检索链更省token成本。
跟RAGFlow、QAnything这些重方案比，EduRAG的代码结构更轻量，适合作为教学场景或内部POC的基线。如果你的场景有大量标准化问答对（如课程FAQ、考试题库），它的两级策略能显著降低向量检索的误召回率。建议重点看它的查询分类模块和四种策略的自动选择逻辑，这部分比检索本身更有复用价值。
Star History
生态分析
Beta
教育垂直场景的中轻量级RAG应用参考实现，侧重混合检索与缓存优化
独特价值：MySQL+Redis前置缓存与Milvus向量检索的分层架构，兼顾速度与精度
竞品：