据 ecer 转载的有道开源/升级报道：QAnything 2024 年 1 月开源前已在网易有道自有产品中实现，典型应用包括教育场景的“私人 AI 规划师”（政策咨询类问题，报道称准确率 95%+）、“有道速读”的长文档理解；报道称其后支持了近 100 家医疗、物流、办公等行业的企业。报道并给出 BCEmbedding 在客服场景检索准确率 95% 对比同类 60% 的厂商口径数字——属厂商自述，引用时必须标注口径、不可当第三方实测。
适用场景：评估两阶段检索在中文客服/教育场景上限时的参考案例；说服团队“检索值得单独投入”的论据
案例 QAnything 有道 教育 企业落地 厂商口径
操作步骤
- 读案例时先分清三类数字：已落地的产品形态（可信度高）、厂商自述准确率（需自测复核）、服务企业数量（报道口径）
- 复刻其架构而非数字：在自己的客服语料上用 BCEmbedding + rerank 两阶段与单阶段向量检索做 A/B（方法见第 11、13 条）
- 若 A/B 显示两阶段显著更好，再评估 QAnything 本体部署或在 Dify/RAGFlow 里用同架构（向量召回+独立 rerank）实现等效链路
接入本站 API：在自有客服语料 A/B 时，生成模型统一用 LIN API 的同一模型 ID，只变检索链路，保证对比公平；两组各发一个 Key，LIN 后台可直接分开统计调用量与成本。
注意事项
- ⚠️ 把厂商宣传的“95%”写进自己方案当承诺值——语料不同结果完全不同，必须自测
- ⚠️ 只看案例不看项目维护现状（见第 6 条版本提示），选型要把活跃度计入