建筑大模型AI问答系统

本项目是一个面向建筑领域的智能问答系统，旨在将大模型能力与行业知识深度结合，解决传统建筑信息查询效率低、专业门槛高以及安全合规风险大的问题。随着大模型在通用问答场景中的广泛应用，其在垂直行业中往往存在“回答不专业、胡乱生成、越权回答”等隐患，尤其在建筑规范、施工安全和法律责任相关问题上，错误回答可能带来严重后果。因此，构建一个安全、可信、可控的建筑大模型智能问答系统具有重要的现实意义。

在业务层面，该系统面向建筑设计、施工、监理及相关从业人员，提供建筑规范查询、专业知识问答和工程经验辅助决策等服务。系统以“安全合规优先”为核心原则，通过引入拒答机制，确保模型只在合理、合规、可回答的范围内进行输出，避免对高风险、越权或不确定问题给出误导性答案，从而提升业务可靠性与实际可用性。

在功能架构上，系统由前置拒答模块、核心问答模块和后置拒答模块共同构成。前置拒答模块基于专门训练的拒答模型，对用户问题进行安全与合规性判断，在高风险或不适合回答的场景下直接给出规范化拒答，避免问题进入生成环节。核心问答模块采用 RAG（检索增强生成）+ LangChain 架构，通过向量检索精准召回建筑领域知识文档，并结合大模型生成专业、可溯源的回答，显著降低幻觉问题。后置拒答模块则对模型生成结果进行二次审核，在发现潜在违规或不确定内容时进行拦截或修正，形成完整的安全闭环。

最终，系统以网站形式对外部署，为用户提供直观、便捷的交互体验，实现建筑行业知识的智能化、安全化与服务化落地。

本项目采用模块化、分层式的大模型系统架构，围绕“安全可控 + 行业知识增强”的核心目标进行整体设计。系统整体流程为：用户问题首先进入前置拒答模块进行安全与合规判断，通过筛选的问题再进入RAG 增强问答模块生成答案，最后由后置拒答模块对输出结果进行二次校验，确保最终回复的可靠性与规范性，并通过 Web 服务对外提供能力。

在技术架构上，前置与后置拒答模块均基于 Qwen3Guard 0.6B 模型进行 LoRA 微调，采用 PyTorch + HuggingFace Transformers + PEFT 完成训练与推理部署，用于高效判断高风险、越权及不确定问题。核心问答模块采用 RAG + LangChain 技术栈，使用 Sentence Embedding + 向量数据库（如 FAISS） 进行建筑领域知识检索，并结合大模型生成最终答案，从而在保证专业性的同时显著降低幻觉问题。系统整体通过 FastAPI 提供服务接口，并部署至 Web 前端，实现完整的端到端问答流程。

在项目中，我主要负责拒答模块的设计、训练与集成，包括拒答数据构建、模型微调方案制定以及与 RAG 问答链路的融合。具体工作中，我独立完成了约 16 万条拒答数据的清洗与格式统一，并基于 Qwen3Guard 0.6B 进行 LoRA 训练，在单卡 GPU 环境下实现稳定收敛。实验结果显示，前置拒答模块对高风险问题的拦截率提升至 90% 以上，有效减少了不合规问题进入生成阶段；后置拒答模块进一步降低了不安全回答的输出概率，使系统整体安全性显著提升。

在实现过程中，主要难点在于显存受限条件下的大模型训练与稳定性控制，以及拒答边界定义不清导致的误拒答问题。针对显存瓶颈，我通过 LoRA 微调、FP16、梯度累积与合理的 batch size 设置 成功完成训练；针对误拒答问题，我对数据标签进行多轮修正，并引入前后置双重拒答策略，在保证安全性的同时尽量减少对正常业务问答的影响。最终，该方案实现了安全性与可用性的平衡，为建筑行业大模型应用提供了可落地的工程实践。