从缓存到知识库：用 RAG 给 OCR 系统加上“长期记忆”

当“精确匹配”遇到瓶颈“语义检索”让缓存更有价值一、背景在从零搭建智能体检报告解析系统OCR 本地大模型实践-CSDN博客中我们搭建了一套“OCR 本地大模型”的体检报告解析系统。虽然项目可以跑起来但是本着精益求精的精神我发现还有几个优化点1是可以增加缓存提高速度和降低成本2是增加rag检索增强语义检索后续还能在次基础上进行数据分析。以下为正文百度OCR每日有1000的免费调用额度1000次听起来不少但在实际业务场景中同一份报告可能被多次提交HR重复上传、候选人重新发送不同候选人可能提交同一家医院的同类报告测试和调试阶段也会消耗调用次数如果1000次用完了怎么办于是产生了这个需求——给OCR系统加上缓存。text核心需求清单 1. 上传文件计算MD5已处理过直接返回缓存结果 2. 缓存命中后用Tesseract快速验证人员信息是否一致防止缓存“张冠李戴” 3. 百度OCR每日1000条调用限制超出自动降级到Tesseract 4. 缓存、限流都有独立开关方便调试和应急切换 5. 每个缓存条目做成可检索的知识库方便后续查询分析二、刚性MD5精确缓存最简单的缓存思路文件内容不变结果就不变。计算上传文件的MD5值作为KeyOCR结果作为Value存入Redistext┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ 上传文件 │ ──▶ │ 计算 MD5 │ ──▶ │ 查询 Redis │ └──────────────┘ └──────────────┘ └──────┬───────┘ │ ┌─────────────┴─────────────┐ │ │ ▼ ▼ ┌───────────┐ ┌───────────┐ │ 命中缓存 │ │ 未命中 │ │ 直接返回 │ │ 走百度OCR │ └───────────┘ └───────────┘为什么还要加“人员信息比对”缓存最大的风险是“张冠李戴”——文件相同缓存结果也相同这没问题。但万一Redis里的缓存数据被污染了比如之前识别错了后续所有命中都会返回错误结果。所以加了缓存校验逻辑命中缓存后用Tesseract免费离线OCR快速提取一下当前文件的人员姓名和体检日期与缓存中存储的比对。匹配则返回不匹配则重新走百度OCR并更新缓存。java// 缓存命中后快速校验 PatientInfo cachedInfo cacheEntry.getPatientInfo(); PatientInfo quickInfo tesseract.extractPatientInfo(fileBytes); if (match(cachedInfo, quickInfo)) { return cacheEntry; // 校验通过放心返回 } else { evictCache(md5); // 校验失败清除缓存重新识别 return executeBaiduOcr(fileBytes); }每日限流 自动降级每天1000次的配额用Redis做原子计数yamlocr: rate-limit: enabled: true daily-limit: 1000配额用完或百度OCR不可用时自动降级到Tesseract虽然准确率稍低但够用javaif (!rateLimit.tryAcquire()) { log.warn(今日配额已用完降级到Tesseract); return fallbackToTesseract(fileBytes); }三、第二层RAG语义缓存MD5缓存有个硬伤——太“刚”了。场景MD5缓存效果完全相同的文件✅ 命中完美复用内容一样但格式不同PDF → Word❌ MD5变了缓存失效重新OCR稍有差异的报告❌ 完全无关缓存失效如果能把“缓存”升级为“相似报告检索”就能解决这个问题。RAG检索增强生成正好做这件事。RAG缓存的核心思路每次OCR完成后把结果摘要姓名、年龄、体检日期、指标异常情况向量化存入Dify知识库新报告来的时候先用Tesseract快速提取摘要在知识库中做相似度检索相似度超过阈值如0.85则直接复用否则走百度OCRtext┌─────────────────────────────────────────────────────────────────────────────┐ │ MD5缓存查不到 或 格式变了 │ │ ↓ │ │ Tesseract快速提取摘要姓名年龄体检日期指标概要 │ │ ↓ │ │ 在RAG知识库中语义检索向量相似度 │ │ ↓ │ │ 相似度 0.85 │ │ ├── 是 → 复用缓存的OCR结果即使格式不同内容相似 │ │ └── 否 → 走百度OCR → 新结果存入RAG知识库 │ └─────────────────────────────────────────────────────────────────────────────┘具体实现每个缓存条目存储json{ id: uuid, md5: abc123..., patient_info: {name: 邓飞, age: 52, exam_date: 2026-04-10}, indicators: [{name: 甘油三酯, value: 4.82, status: abnormal}], summary: 姓名邓飞年龄52岁异常指标甘油三酯偏高、血糖偏高, tags: [高血糖, 高血脂, 心电图异常], engine: baidu }检索摘要的生成把人员信息和指标状态组合成一段自然语言text姓名邓飞性别男年龄52岁体检日期2026-04-10 异常指标甘油三酯:4.82、血糖:7.20 正常指标白细胞:6.19、血红蛋白:152、血小板:241这段文本用Embedding模型如nomic-embed-text向量化后存入知识库。新报告来时生成同样的摘要格式做检索语义相似度高的就能命中。MD5缓存 vs RAG缓存分工协作场景MD5缓存RAG缓存完全相同文件✅ 1ms返回—内容相似但格式不同❌✅ 可命中人员相同但体检日期不同❌❌ 不命中语义不同查询之前血糖偏高的报告❌✅ 语义检索它们不是互斥的是互补的——MD5做精确匹配RAG做语义相似两层都查不到才走百度OCR。四、关键代码片段4.1 缓存优先级策略javapublic OcrResult extract(MultipartFile file) { byte[] bytes file.getBytes(); String md5 Md5Util.calculate(bytes); // 1. 精确缓存MD5 CacheEntry cached exactCache.get(md5); if (cached ! null validation.pass(cached, bytes)) { return OcrResult.exactCache(cached); } // 2. 快速提取摘要查RAG缓存 String summary tesseract.extractSummary(bytes); RagHitResult ragHit ragCache.search(summary); if (ragHit.isHit()) { return OcrResult.ragCache(ragHit.getEntry()); } // 3. 检查配额 if (!rateLimit.tryAcquire()) { return fallbackToTesseract(bytes); } // 4. 执行百度OCR OcrResult result baiduOcr.extract(bytes); // 5. 存入两层缓存 exactCache.put(md5, result); ragCache.save(result); return result; }4.2 每日限流实现Redis原子计数javapublic boolean tryAcquire() { String key ocr:ratelimit: LocalDate.now(); RAtomicLong counter redissonClient.getAtomicLong(key); if (counter.get() 0) { // 首次使用设置次日凌晨过期 counter.expire(getSecondsUntilMidnight(), TimeUnit.SECONDS); } if (counter.get() 1000) { return false; // 配额已用完 } counter.incrementAndGet(); return true; }五、开关控制所有功能都有独立开关方便调试和应急yamlocr: cache: enabled: true # 精确缓存开关 expire-days: 30 rag-cache: enabled: true # RAG缓存开关 similarity-threshold: 0.85 rate-limit: enabled: true # 每日限流开关 daily-limit: 1000 validation: enabled: true # 缓存校验开关调试场景测试新逻辑时关掉所有缓存ocr.cache.enabled: false和ocr.rag-cache.enabled: false压测时关掉限流ocr.rate-limit.enabled: false怀疑缓存数据有问题时关掉校验ocr.validation.enabled: false六、效果与收益场景优化前优化后相同文件重复上传消耗OCR额度缓存命中1ms返回格式变化但内容相同重新OCRRAG命中复用结果1000次额度用完花钱bushi自动降级到Tesseract查询历史报告翻日志知识库语义检索核心收益个人百度OCR账号的1000次/天额度变得够用缓存命中率70%响应速度从30-60秒降到1-5ms缓存命中时积累了一个可检索的体检报告知识库为后续的“相似报告推荐”、“异常趋势分析”打下基础七、总结RAG这个知识库还可以做更多事情输入“最近一个月有多少份高血糖报告”→ 语义检索 统计输入“有没有和XX情况类似的候选人”→ 相似案例推荐输入“甘油三酯异常的报告都是哪些医院的”→ 分类分析从缓存到知识库从精确匹配到语义理解这套方案让“省钱”变成了“积累”。