Expert Engine

专家画像与知识组织

面向商务机会研判的 AI 专家引擎，基于 FastAPI、PostgreSQL、pgvector 与 OpenSearch，构建了包含 Expert Profile、Knowledge Engine、Organization Engine 等完整推理基础设施，支持从政策、新闻等事件中自动识别商机、推荐目标单位与部门、匹配公司能力并给出可解释的评分与行动建议。

向量、BM25 与 SQL 混合检索

• 负责 Expert Engine 整体架构设计与核心模块研发，设计 Expert Profile 框架、混合检索流程（向量加 BM25 加 SQL）及证据驱动的推理管线，确保结论可解释、可追溯。

证据链与评分模型

• 开发 Organization Engine、Evidence Engine、Scoring Engine 与 Need Engine，实现基于职责匹配、主题映射和历史案例的单位与部门智能推荐，统一证据管理、可复算评分模型及独立评审模块，支持证据缺失自动触发补充检索。

结构化输出与错误处理

• 结构化输出统一收敛到 LLM Gateway 的 structured_generate 入口，事件分析、专家研判、复核以及采集侧的相关性过滤四类任务共用同一条调用路径，模型厂商的差异被挡在网关之内。
• 配置缺失时显式失败而不是静默降级：指定了真实厂商却没有配 API Key，应用在启动阶段直接报错退出，绝不悄悄退回 stub 实现——避免上线后拿着假数据当真结果。
• Chat 与 Embedding 独立选型（ADR-0004），因为部分厂商只提供 chat 接口而没有 embeddings 端点；pgvector 的列宽是 schema 层面的硬约束而非配置项，更换输出维度不同的 embedding 模型必须补一条 migration，这一点被写进文档以杜绝“会自动识别维度”的错误预期。