问答系统有几种？

本文目录导读：

1. 从技术实现和复杂度来分（由简到繁）
2. 从应用场景和知识领域来分
3. 从问答形式来分

这是一个很好的问题,从不同的维度来看，“问答系统”可以有不同的分类方法。

问答系统从技术实现和应用场景两个角度来分类最为常见。

从技术实现和复杂度来分（由简到繁）

这是最核心的分类方式,决定了系统的“智能”程度。

1. 基于规则/模板的问答系统

   • 原理： 预先定义好问题和答案的匹配规则或模板（如“XX的营业时间是什么？”），系统通过关键词匹配、正则表达式或简单的语法分析来找到预设的答案。
   • 优点： 精确度高、实现简单、响应快、易于控制。
   • 缺点： 泛化能力差、维护成本高、无法处理未预定义的问法，显得“死板”。
   • 应用： 早期的客服FAQ机器人、IVR（交互式语音应答）系统。

2. 基于信息检索的问答系统

   • 原理： 这是目前最主流、效果最稳定的方法之一，它将问题看作是信息检索的查询，在海量文档库（如知识库、网页、文档）中搜索最相关的文档片段，然后从中提取出答案。
   • 流程： 用户问题 -> 查询理解 -> 文档检索 -> 答案抽取 -> 答案。
   • 技术： 使用BM25、TF-IDF等传统算法，或基于BERT、Sentence-BERT等深度学习的语义检索模型（向量检索）。
   • 优点： 能处理大量知识，覆盖范围广，相对灵活。
   • 缺点： 答案的质量依赖于检索到的文档质量，可能无法进行复杂推理。
   • 应用： 智能客服（如电商、银行）、企业内部知识库问答、搜索引擎的“直接回答”功能。

3. 基于知识图谱的问答系统

   • 原理： 将知识和实体（如人物、地点、事件）以及它们之间的关系（如“出生于”、“任职于”）组织成一个图谱，系统将用户问题转化为图谱查询语言（如SPARQL），然后从图谱中查询出精确答案。
   • 例子： “周杰伦的妻子是谁？” -> 解析出实体“周杰伦”和关系“妻子” -> 在图谱中查询得到“昆凌”。
   • 优点： 答案精准、结构化、具备推理能力（如多跳问答：A的父亲的朋友是谁？）。
   • 缺点： 构建和维护知识图谱成本高、覆盖面有限、对自然语言理解要求高（需要将自然语言转化为结构化查询）。
   • 应用： 垂直领域的专家系统（如医疗、法律）、Google Knowledge Graph问答。

4. 基于生成模型的问答系统

   • 原理： 这是近年来大语言模型（LLM）兴起后的主要范式，系统首先检索到相关的上下文（文档片段），然后将其连同用户问题一起输入给一个强大的预训练语言模型（如GPT-4、Claude、文心一言），由模型“理解”后，自动生成一个自然流畅的答案。
   • 核心方法： 检索增强生成（RAG，Retrieval-Augmented Generation），检索保证了知识的准确性和时效性，生成保证了回答的自然和灵活性。
   • 优点： 回答非常自然、流畅、灵活，可以处理复杂推理和总结概括，能进行多轮对话。
   • 缺点： 仍存在“幻觉”（编造事实）的风险，计算成本高，速度相对较慢。
   • 应用： 现在最先进的ChatGPT类应用、Coze/Dify等智能体平台、新一代智能客服。

从应用场景和知识领域来分

1. 开放域问答系统

   • 特点： 知识来源是互联网，问题包罗万象（时事、科学、娱乐等），没有领域限制。
   • 挑战： 知识极度广泛，答案可能是多源的、有争议的。
   • 代表： 搜索引擎（如Google、百度）、ChatGPT。

2. 封闭域问答系统

   • 特点： 知识来源是某个特定领域（如公司内部文档、医疗指南、法律条文），问题也限定在该领域内。
   • 优势： 可以控制答案的权威性和准确性，更容易维护。
   • 挑战： 需要高质量的领域知识库。
   • 代表： 企业智能客服（只回答产品相关问题）、医疗咨询机器人（只回答医学知识）。

从问答形式来分

1. 单轮问答： 一次提问，一次回答，不依赖上下文，这是最常见的一种。
2. 多轮问答（对话式问答）： 系统能记住对话历史，理解指代（如“它的颜色呢？”中的“它”），进行多轮交互以澄清意图、追问细节或完成复杂任务，这是最先进的智能客服和AI助手（如Siri、Copilot）的核心能力。

你现在常接触到的、最先进的“问答系统”，绝大多数是封闭域（内部知识库）或开放域（互联网）的、基于检索增强生成（RAG）的、支持多轮对话的智能问答系统。 你可以根据自己需要搭建的系统的特点，从上述分类中找到对应的类型和设计思路。

标签： 任务型