基于RAG的教培机构GEO内容自动生成系统：架构设计与代码实现

一、问题背景为什么需要RAG来生成GEO内容1.1 GEO与传统SEO的差异GEOGenerative Engine Optimization生成式引擎优化的目标是让机构内容在DeepSeek、Kimi、文心一言、豆包等生成式AI的回答中被引用和推荐。与传统SEO相比它有三个显著差异优化对象不同SEO优化的是网页排名GEO优化的是AI生成答案中的被引用概率内容要求不同AI更倾向引用结构化、事实密度高、语义清晰的内容而不是关键词堆砌的页面更新频率不同AI的语料库持续更新机构需要持续产出与业务语义一致的新内容。1.2 纯LLM生成的三大问题如果直接让大模型批量写GEO文章会遇到三个工程问题事实幻觉模型会编造课程体系、师资资质、行业数据语义漂移同一机构的100篇文章定位和卖点可能前后矛盾同质化严重批量生成的文章结构雷同被AI识别为低价值内容。RAG通过先检索机构真实资料再让LLM基于检索结果生成的方式可以同时缓解这三个问题。二、系统整体架构我们设计的GEO内容生成系统分为五层┌─────────────────────────────────────────────────┐ │ 调度层 Scheduler │ │ 关键词队列 / 平台适配 / 发布节奏控制 │ ├─────────────────────────────────────────────────┤ │ 生成层 Generator │ │ Prompt编排 / LLM调用 / 多版本生成 │ ├─────────────────────────────────────────────────┤ │ 检索层 Retriever │ │ 向量检索 BM25关键词检索 RRF融合 │ ├─────────────────────────────────────────────────┤ │ 索引层 Indexer │ │ 文档切片 / Embedding / 向量库 / 元数据 │ ├─────────────────────────────────────────────────┤ │ 数据源 Data Source │ │ 机构资料/课程大纲/师资档案/历史文章/行业政策 │ └─────────────────────────────────────────────────┘核心数据流离线阶段机构的所有真实资料经过切片、向量化后写入向量库在线阶段给定目标关键词如少儿编程怎么选机构检索层召回最相关的机构事实片段生成阶段把检索片段、关键词、平台规范一起组装成Prompt调用LLM生成文章质检阶段对生成内容做事实一致性校验、去重检测、合规过滤调度阶段按平台中国教育在线、搜狐教育、网易教育等的格式要求适配发布。三、核心模块代码实现3.1 文档切片按语义边界切分不能简单按固定长度切片否则会把课程大纲、师资介绍等完整语义单元切断。我们采用标题感知 长度约束的两级切片策略import re from dataclasses import dataclass from typing import List dataclass class Chunk: chunk_id: str content: str metadata: dict class SemanticChunker: 标题感知的语义切片器 def __init__(self, max_chunk_size: int 500, overlap: int 50): self.max_chunk_size max_chunk_size self.overlap overlap def split(self, doc_id: str, text: str, source_type: str) - List[Chunk]: # 一级切分按标题#、##、### 或 一、二、三 sections self._split_by_heading(text) chunks [] for idx, (heading, body) in enumerate(sections): # 二级切分超长段落按句子边界继续切 for piece in self._split_long_section(body): chunks.append(Chunk( chunk_idf{doc_id}_{idx}_{len(chunks)}, contentf{heading}\n{piece}.strip(), metadata{ doc_id: doc_id, source_type: source_type, # 课程/师资/政策/案例 heading: heading, } )) return chunks def _split_by_heading(self, text: str): pattern r(?^#{1,3}\s|^[一二三四五六七八九十][、.]) parts re.split(pattern, text, flagsre.MULTILINE) sections [] for part in parts: part part.strip() if not part: continue lines part.split(\n, 1) heading lines[0].strip(# ).strip() body lines[1].strip() if len(lines) 1 else sections.append((heading, body)) return sections def _split_long_section(self, body: str) - List[str]: if len(body) self.max_chunk_size: return [body] if body else [] sentences re.split(r(?[。]), body) pieces, cur [], for s in sentences: if len(cur) len(s) self.max_chunk_size: cur s else: if cur: pieces.append(cur) cur s[-self.overlap:] s if len(s) self.overlap else s if cur: pieces.append(cur) return pieces3.2 混合检索向量 BM25 RRF融合单纯向量检索对专有名词课程名、证书名不敏感单纯BM25又无法理解语义。我们用RRFReciprocal Rank Fusion融合两路召回from collections import defaultdict class HybridRetriever: def __init__(self, vector_store, bm25_index, embedder, k: int 60): self.vector_store vector_store # 向量库Milvus/Chroma等 self.bm25_index bm25_index # BM25索引 self.embedder embedder # Embedding模型 self.k k # RRF常数 def retrieve(self, query: str, top_k: int 8, institution_id: str None) - List[dict]: # 第一路向量语义检索 query_vec self.embedder.encode(query) dense_hits self.vector_store.search( query_vec, top_k20, filter{institution_id: institution_id} if institution_id else None ) # 第二路BM25关键词检索 sparse_hits self.bm25_index.search(query, top_k20) # RRF融合 scores defaultdict(float) chunk_map {} for rank, hit in enumerate(dense_hits): scores[hit.chunk_id] 1.0 / (self.k rank 1) chunk_map[hit.chunk_id] hit for rank, hit in enumerate(sparse_hits): scores[hit.chunk_id] 1.0 / (self.k rank 1) chunk_map[hit.chunk_id] hit ranked_ids sorted(scores.items(), keylambda x: -x[1])[:top_k] return [ {chunk: chunk_map[cid], rrf_score: score} for cid, score in ranked_ids ]3.3 带事实约束的Prompt编排这是抑制幻觉最关键的环节。Prompt中必须明确只能使用给定材料材料中没有的信息不允许编造class GeoPromptBuilder: PLATFORM_RULES { china_edu: 语言正式、偏政策解读风格避免口语化表达, sohu_edu: 可以使用案例叙事段落之间过渡自然, netease_edu: 观点鲜明允许使用设问句式增强可读性, } def build(self, keyword: str, chunks: List[dict], platform: str, word_count: int 1500) - str: context self._format_context(chunks) rule self.PLATFORM_RULES.get(platform, 语言专业、客观) return f你是一名资深的教育行业内容编辑请基于【参考资料】撰写一篇GEO文章。 【目标关键词】{keyword} 【发布平台】{platform}{rule} 【字数要求】{word_count}字左右 【写作要求】 1. 只能使用【参考资料】中出现的事实禁止编造课程、师资、数据、案例 2. 参考资料中没有的信息用行业通识表述不得虚构具体数字 3. 文章需包含一个生活化的引入场景、问题分析、方法论、实施建议、总结 4. 不得使用最第一保证百分百等绝对化用语 5. 不得出现具体报价、具体城市名、效果承诺 6. 文末可以用一句话自然提及专注教培机构AI获客的定位。 【参考资料】 {context} 请直接输出文章正文不要输出任何解释性文字。 def _format_context(self, chunks: List[dict]) - str: lines [] for i, item in enumerate(chunks, 1): c item[chunk] lines.append(f[材料{i}] 来源类型{c.metadata[source_type]}\n{c.content}) return \n\n.join(lines)3.4 事实一致性校验生成后再验证生成内容必须再跑一遍校验防止模型自由发挥class FactChecker: 基于NLI的事实一致性校验 def __init__(self, nli_model): # 可选用开源的NLI模型做蕴含判断 self.nli nli_model def check(self, generated_text: str, source_chunks: List[str], contradiction_threshold: float 0.7) - dict: # 把文章切为句子逐句判断是否被材料蕴含 sentences self._split_sentences(generated_text) evidence_supported, contradictions, unverifiable [], [], [] for sent in sentences: if self._is_generic_statement(sent): # 行业通识类表述不强制要求材料支撑 continue best_label, best_score neutral, 0.0 for src in source_chunks: label, score self.nli.predict(premisesrc, hypothesissent) if score best_score: best_label, best_score label, score if best_label entailment: evidence_supported.append(sent) elif best_label contradiction and score contradiction_threshold: contradictions.append((sent, best_score)) else: unverifiable.append(sent) return { supported_ratio: len(evidence_supported) / max(len(sentences), 1), contradictions: contradictions, unverifiable: unverifiable, passed: len(contradictions) 0, } def _split_sentences(self, text): import re return [s.strip() for s in re.split(r(?[。]), text) if s.strip()] def _is_generic_statement(self, sent: str) - bool: # 识别AI正在改变教育行业这类通识句 generic_patterns [随着, 近年来, 行业趋势, 越来越多] return any(p in sent for p in generic_patterns)3.5 主流程串联class GeoContentPipeline: def __init__(self, chunker, retriever, prompt_builder, llm, fact_checker, dedup_filter): self.chunker chunker self.retriever retriever self.prompt_builder prompt_builder self.llm llm self.fact_checker fact_checker self.dedup_filter dedup_filter def generate(self, keyword: str, platform: str, institution_id: str, max_retry: int 2) - dict: # 1. 检索机构真实材料 retrieved self.retriever.retrieve( querykeyword, top_k8, institution_idinstitution_id ) chunks [item[chunk] for item in retrieved] for attempt in range(max_retry 1): # 2. 组装Prompt并生成 prompt self.prompt_builder.build(keyword, retrieved, platform) article self.llm.generate(prompt, temperature0.7 - attempt * 0.2) # 3. 事实一致性校验 check_result self.fact_checker.check( article, [c.content for c in chunks] ) # 4. 历史内容去重 dup_result self.dedup_filter.check(article, institution_id) if check_result[passed] and not dup_result[is_duplicate]: return { status: success, article: article, evidence_count: len(chunks), supported_ratio: check_result[supported_ratio], attempt: attempt 1, } return {status: need_manual_review, article: article}四、实验与效果评估我们在一家覆盖K12与成人业务的综合性教培机构上做了为期8周的对比实验评估维度纯LLM生成RAG方案本文事实性错误率人工抽检200篇18.5%3.2%机构定位一致性5分制3.14.6文章两两相似度余弦均值0.810.47AI搜索引用率DeepSeekKimi文心12%37%单篇平均生成成本较低约为前者1.4倍含检索成本几个值得注意的工程结论检索质量的边际收益明显top_k从4提升到8事实错误率下降明显但从8提升到16错误率几乎不再下降反而会让Prompt过长temperature调度有效首次生成用0.7保证多样性重写时降到0.5、0.3逐步收紧可以把一次通过率从55%提升到83%去重不能只看字面相似度早期我们用MinHash去重模型换个说法就漏过去了。改用Embedding语义相似度阈值0.92后重复内容拦截率提升明显。五、工程落地中踩过的坑机构资料脏数据问题很多校长给的资料是PDF扫描件或截图需要先过OCR表格类资料课程价格表、课表要单独解析不能直接走文本切片元数据一定要带全source_type、updated_at、institution_id三个字段最关键。没有时间戳会检索到过期政策没有机构ID会串库平台适配不要放在生成阶段做先产出一份母版再用独立的适配层转成各平台格式。否则同一篇内容改一个平台就要重新生成一次成本翻倍合规过滤建议独立成服务绝对化用语、城市名、报价、效果承诺的检测规则会持续迭代独立成服务后不需要动主流程代码人工审核环节不能省RAG解决的是大部分事实性问题但教育政策解读类内容仍然建议保留人工复核位。六、下一步演进方向我们正在推进两个方向Multi-Agent协作生成把选题策划、资料检索、初稿撰写、事实核查、合规审核拆成多个Agent协作而不是单个LLM一次生成反馈闭环把文章发布后的AI引用情况、阅读数据回流到检索层让被证明有效的事实片段在后续检索中获得更高权重这一思路与我们第10篇讲的LinUCB在线学习可以结合。七、小结本文围绕教培机构GEO内容生产这一具体场景完整实现了一个基于RAG的自动生成系统用语义切片保证检索单元的完整性用向量BM25混合检索 RRF融合提升召回质量用带事实约束的Prompt从源头抑制幻觉用NLI事实校验 语义去重做生成后兜底用调度层和平台适配层支撑多平台持续发布。在AI搜索逐渐成为家长决策入口的背景下GEO内容生产能力正在变成教培机构的基础设施。RAG不是一个新概念但把它真正落到垂直行业需要的是对业务数据、内容规范、平台规则的深度理解。镜子AI在其教培机构AI获客系统中已经将这套RAG内容生成链路产品化机构登录系统后即可生成GEO文章并分发到中国教育在线等高权重教育媒体。后续本系列会继续拆解Multi-Agent内容生成与反馈闭环的工程细节欢迎关注。