考察点
这道题出自字节跳动智能体应用开发岗社招，考的不是 RAG 通用套路，而是垂直领域知识库的领域适配。游戏客服的难点在于：玩家提问用的黑话和官方文档的术语完全是两套语言（「红叉」「buff 被砍」「648」），向量检索在这种词汇鸿沟面前会系统性失灵。面试官想听你怎么把领域语言鸿沟工程化地解决掉，以及游戏版本高频更新带来的知识保鲜问题怎么处理。追问大概率落在同义词库怎么冷启动、以及怎么衡量黑话适配的效果。
参考答案
先看清问题本质：这是词汇鸿沟，不是检索算法问题
游戏客服场景的知识库难在哪：官方知识库写的是「赛季通行证」「暴击伤害加成」，玩家问的是「战令」「爆伤」；玩家说「这英雄被削废了」，文档里对应的是「平衡性调整：基础攻击力下调」。query 和文档之间的词面差距大，且很多黑话是社区约定俗成的，embedding 模型的通用语料覆盖不足，向量检索同样会偏。所以构建的核心不是换更强的检索器，而是把领域语言显式地治理起来。
知识库本体：结构化 + 实体化
游戏客服的知识天然是实体网络：英雄、装备、技能、道具、活动、版本，每个实体有属性、状态、变更历史。构建时我会按实体组织而不是按文档堆放：
- 实体卡片：每个英雄/装备/道具一张卡，字段化（名称、别名、属性、获取方式、当前版本状态），既进向量库也进结构化存储。玩家问「XX 多少钱」，结构化查询比 RAG 可靠得多。
- 别名与黑话表：这是这个场景的核心资产。每个实体维护「官方名 + 别名 + 社区黑话 + 常见错别字」的映射，来源有三：运营和产品已有的术语表、爬取社区（论坛、贴吧、玩家群高频词）、以及最有价值的——历史客服工单挖掘，从真实对话里聚类玩家对同一实体的叫法。
- FAQ 对：从工单里挖高频问题，整理成「玩家原话问法 + 标准答案」的问答对，玩家原话保留黑话原样——这类条目直接命中概率最高。
检索侧：query 归一化比换模型管用
有了黑话表，检索链路里加一层 query 改写：先实体识别（把「红叉」识别为装备实体 X），把 query 里的黑话替换/扩展为官方术语，再走向量 + 关键词混合检索。注意是扩展不是替换——改写后的 query 和原始 query 一起检索，结果融合，防止映射表覆盖不全时把原意改丢。
embedding 侧可以做一步领域微调：用「黑话问法 - 官方表述」的对照语料对 embedding 模型做对比学习微调，让向量空间拉近领域近义表达。这一步收益明显但成本高，通常先靠改写层解决，量大了再考虑。
知识保鲜：版本更新是这个场景的生命线
游戏两周一个版本，平衡性调整一上，旧攻略立刻变成错误答案——「XX 英雄 T0 强度」在上个版本对，这个版本就是误导。机制上必须做到：
- 版本字段强约束：每条知识打版本标签，检索时默认过滤过期版本或做时效降权，涉及数值的答案必须带「截至 X 版本」的口径说明。
- 更新流水线：版本公告/更新日志的结构化解析自动化，解析出「实体 + 属性 + 旧值→新值」的变更，自动触发对应实体卡片的更新和受影响 FAQ 的标记待审——人工只审变更，不手动翻库。
- 外部攻略类内容设 TTL：玩家社区攻略进库时默认有效期一个版本周期，到期自动降权。
冷启动顺序与效果衡量
落地顺序我会这样排：先用官方文档 + 结构化实体卡片把库搭起来；同步从工单挖高频问题做 FAQ（覆盖头部 80% 的咨询量）；黑话表从工单挖掘冷启动，上线后靠 badcase 回流持续扩。效果衡量上，除了常规召回率，要单独盯**「黑话 query」子集的召回率和解决率**——总量指标会被标准问法的高分掩盖黑话子集的问题，这个子集才是本次建设的增量价值所在。
可能的追问
- 黑话表冷启动没工单数据怎么办？ 答：从游戏社区（论坛、攻略站评论区）爬高频讨论做词聚类，找和官方实体共现高的非官方词；上线后开 badcase 标注通道，玩家反馈「答非所问」的 query 人工归因进表。
- 多游戏共用一套系统怎么做？ 答：知识库按游戏租户物理隔离，实体模型抽象成通用 schema（实体/属性/别名/版本），检索入口先做游戏识别路由，黑话表绝对不能跨游戏混用——同一个词在不同游戏里含义完全不同。
- 玩家问时效性问题（「这赛季什么时候结束」）怎么处理？ 答：这类强时效问题走结构化数据（活动日历接口）而不是文档检索，Agent 路由到工具调用拿实时数据，文档库不背这个锅。
- 怎么防止旧版本知识被误召回？ 答：版本标签过滤 + 数值类答案强制引用来源版本；评测集里专设「跨版本干扰」样本——同时入库新旧两版知识，验证系统是否稳定召回当前版本。