这两年随着 LLM 的迅猛发展，Claude 为代表的大模型在各项评测中都获得了较好的成绩，为人工智能的发展注入了强有力的生命力。可以想象，现在和未来， AI 会渗透到各个领域，提升各个领域的运行效率，达到企业降本增效的目的。并且我们也可以想象在未来的应用中，传统的人机交互模式，有可能会被 AI 所取代。
本文将会以传统业务系统非常普遍的数据匹配检索为例，深入剖析如何利用 Claude 的强大语义分析能力，改变传统应用的交互模式并快速实现搜索性能的优化。
传统业务系统中业务对象搜索的问题和挑战
 |
上图展示了一个非常传统的查询页面，有查询条件选择，例如省份、城市，机构类型，地址，名称等等，用户可以选择或输入具体要查询的条件，后台会根据条件，组合成 SQL 到业务库中查询，并返回结果。
传统搜索系统的问题在于：
- 用户的使用门槛较高，必须了解系统提供的查询的每个条件的含义，还需要了解不同条件的组合方式。结构化的查询，无法适应自然语言的模式，也很难贴近人的自然想法，例如查询上海徐汇区有哪些三甲医院，传统查询模式，你必须要分解成多个不同的条件：省市，区域、机构类型、机构级别等。显然用户必须要熟悉和符合业务系统要求，非常不方便。
- 很难适应业务变化，当业务对象发生变化的时候，需要增加和修改条件，就必然导致整个 UI 的变化和修改，开发成本上升。
- 传统搜索算法，无法通过语义层面进行分析和理解，导致匹配和搜索效果不佳，例如 系统记录里有一家北京 306 医院，如果用户输入三零六可能就无法匹配到这家医院，从而无法查询到结果。再例如：系统记录里有一家虹桥医院，如果用户输入拼音 hongqiao hospital，传统系统也无法应对这种查询。甚至有时候多几个空格也会导致搜索结果出错。
因此，本方案尝试使用大模型的语义理解和分析能力，来对传统搜索系统的上述劣势进行优化。
解决方案
本方案利用 Claude 来增强传统的机构匹配能力，以更贴近自然语言方式来实现业务数据的智能匹配，整个方案如下图所示：
 |
该方案主要分 2 部分：
- 意图识别：利用 Claude 的语义分析能力，对用户输入的信息进行意图识别，并利用格式化的方式进行输出，做进一步的意图拆分处理。
- 意图识别后的匹配处理，目前将意图分为两大类：一类是单纯通过名称检索机构信息，一类是通过省市，区域，地址，机构类型等方式检索机构信息。匹配的处理逻辑也会分为两种，一种是传统 RAG 模式进行检索，另一种是通过 Text2SQL 进行检索。
该方案的优点：
- 通过自然语言进行检索和匹配，降低了用户的使用门槛，体验更好。
- 降低业务数据变更的复杂度，只需要适当的修改 Prompt 就可以适配新的业务对象。
- 匹配能力大大提高，能够完成传统方式很难达到的匹配效果。
基于 AWS 的解决方案架构：
 |
该架构的优点是，充分利用云原生服务，提供高可用的架构，节省构建成本和后期运营成本，极大的提高了系统的可靠性和安全性。
Demo 样例和代码片段
1）多意图识别 PE
2）增强召回 PE
3）多意图识别智能搜索例子
以下为一些常见的搜索情形，在本方案中均得到了较好的解决。
3.1）单独进行机构名称搜索
 |
3.2）搜索带属性的机构列表
 |
3.3）拼音中英文混合搜索
 |
