项目：智能问答系统
本节定位
问答系统很适合作为 NLP 作品集项目，因为它天然能展示：
- 文本表示
- 相似度
- 检索
- 拒答策略
但要让它像“项目”，而不只是“能回答几句”的 demo，关键在于：
知识边界、检索质量、拒答机制和评估方式都要讲清楚。
学习目标
- 学会定义一个可解释的小型问答系统范围
- 学会设计知识库、检索器和拒答策略
- 学会用最小评估集做系统验证
- 学会把问答系统包装成作品集页面
一、项目题目怎么收窄？
一个很稳的起点是：
做一个课程平台 FAQ 检索式问答系统。
它适合的原因是：
- 题目范围清楚
- 知识库容易准备
- 错误原因容易分析
二、作品级问答项目最小闭环
- 定义知识范围
- 准备知识库
- 做检索基线
- 增加拒答
- 做评估集
- 展示错误分析
只要这 6 步清楚，项目就已经很有说服力。
三、先做一个更完整的最小系统
knowledge_base = [
{"question": "课程多久内可以退款？", "answer": "课程购买后 7 天内且学习进度低于 20% 可申请退款。"},
{"question": "证书怎么获得？", "answer": "完成所有必修项目并通过结课测试后，可以获得结业证书。"},
{"question": "学习顺序是什么？", "answer": "建议先学 Python、数据分析、机器学习，再进入深度学习和大模型阶段。"},
{"question": "前四阶段需要 GPU 吗？", "answer": "前四阶段不需要 GPU，普通电脑即可完成学习。"},
]
def tokenize(text):
return set(text.replace("？", "").replace("?", ""))
def answer_question(user_query):
query_tokens = tokenize(user_query)
scored = []
for item in knowledge_base:
score = len(query_tokens & tokenize(item["question"]))
scored.append((score, item))
scored.sort(key=lambda x: x[0], reverse=True)
best_score, best_item = scored[0]
return {
"matched_question": best_item["question"],
"answer": best_item["answer"],
"score": best_score,
}
print(answer_question("退款时间是多久"))
print(answer_question("怎么拿证书"))
3.1 这个例子为什么更像项目，而不只是一个函数？
因为它已经有：
- 知识库
- 匹配逻辑
- 匹配得分
- 可解释的返回结果
3.2 为什么 matched_question 很值得展示？
因为它能帮你回答：
- 系统是答对了
- 还是只是碰巧答得像
四、拒答机制为什么是作品级问答系统的关键？
没有拒答时，系统很容易：
- 任何问题都硬答
这在真实项目里很危险。
def safe_answer_question(user_query, threshold=2):
result = answer_question(user_query)
if result["score"] < threshold:
return {
"answer": "当前知识库中没有足够相关的信息。",
"matched_question": None,
"score": result["score"],
}
return result
print(safe_answer_question("DeepSeek 和 OpenAI 哪个更强？"))
4.1 为什么这一步特别值钱？
因为它会让系统从：
- 总想说点什么
变成：
- 知道什么时候该停
这在作品集里很加分。
五、一个最小评估集怎么设计？
eval_data = [
("退款时间是多久", "课程购买后 7 天内且学习进度低于 20% 可申请退款。"),
("证书怎么拿", "完成所有必修项目并通过结课测试后，可以获得结业证书。"),
("前四阶段需要显卡吗", "前四阶段不需要 GPU，普通电脑即可完成学习。"),
]
correct = 0
for q, gold in eval_data:
pred = safe_answer_question(q, threshold=1)["answer"]
if pred == gold:
correct += 1
accuracy = correct / len(eval_data)
print("accuracy =", accuracy)
5.1 还应该评估什么？
除了准确率，还值得看：
- 拒答是否合理
- 哪些问题最容易误匹配
- 近义表达是否稳定
六、最值得展示的失败案例
例如：
- 问题说法变化后匹配错
- 知识库没有覆盖
- 不该回答时却给出错误答案
把这些列出来，会比只展示正确样例更像项目课。
七、小结
这节最重要的是建立一个作品级判断：
问答系统的价值，不只是“能答对几题”，而是你能否把知识边界、检索逻辑、拒答策略和错误分析讲成一个完整闭环。
只要这条闭环立住，这个项目就会非常适合做作品集。
练习
- 给知识库再加 5 条课程 FAQ，看看匹配效果如何变化。
- 为什么拒答机制会显著提升项目可信度？
- 想一想：如果两个问题很相近但答案不同，系统最容易出什么错？
- 如果做作品集展示，你最想给面试官看哪 3 块内容？