基于 Hologres 构建多模态 AI 数据分析与检索系统

{  "Statement": [    {      "Action": "sts:AssumeRole",      "Effect": "Allow",      "Principal": {        "RAM": [          "acs:ram::1866xxxx:root"        ],        "Service": [          "hologres.aliyuncs.com"        ]      }    }  ],  "Version": "1"}

{  "Version": "1",  "Statement": [    {      "Effect": "Allow",      "Action": "hologram:GrantAssumeRole",      "Resource": "<arn账号>"    }  ]}

{  "Statement": [    {      "Action": "sts:AssumeRole",      "Effect": "Allow",      "Principal": {        "RAM": [          "acs:ram::1866xxxx:root"        ],        "Service": [          "hologres.aliyuncs.com"        ]      }    }  ],  "Version": "1"}

CALL create_rag_corpus_from_oss(    oss_path => 'oss://xxxx/bs_challenge_financial_14b_dataset/pdf',    oss_endpoint => 'oss-cn-hangzhou-internal.aliyuncs.com',    oss_role_arn => 'acs:ram::186xxxx:role/xxxx',    corpus_table => 'public.dt_bs_challenge_financial');

CALL refresh_rag_corpus_table(    corpus_table => 'public.dt_bs_challenge_financial');

-- 向量单路召回 + AI重排SELECT qa_vector_search_retrieval(  question => '报告期内，湖南国科微电子股份有限公司2014年度、2015年度、2016年度营业收入和净利润分别较上年增长多大幅度？',  corpus_table => 'dt_bs_challenge_financial',  prompt => '请分析如下业绩走势是悲观还是乐观，并给出原因：${question}\n\n 参考信息：\n\n ${context}')

qa_retrieval---------"根据提供的信息，对湖南国科微电子股份有限公司的业绩走势进行分析，可以得出以下结论：
### 一、业绩走势分析：悲观
#### 1. **营业收入增长乏力**- 2014年度营业收入较上年增长 **15.13%**，但2015年度营业收入却 **下降5.21%**，2016年度数据未提供，但可以看出营业收入增长趋势在2015年出现明显下滑。- 2012年至2014年营业收入的年复合增长率仅为 **4.47%**，表明公司业务扩张较为缓慢。
#### 2. **净利润增长持续下降**- 2014年度净利润增长 **5.43%**，2015年度净利润 **下降3.29%**。- 扣除非经常性损益后，2014年度归属于母公司股东的净利润增长 **-3.14%**，2015年度进一步下降 **-5.60%**，表明公司主营业务盈利能力在持续恶化。- 2012年至2014年扣除非经常性损益后净利润的年复合增长率为 **-4.38%**，远低于营业收入增长，说明公司主营业务盈利能力不足，增长主要依赖非经常性损益。
#### 3. **非经常性损益占比偏高**- 报告期内，非经常性损益占净利润的比例较高，2014年、2013年、2012年分别为 **17.54%、10.25%、8.06%**，表明公司利润中有一部分来自政策扶持、政府补贴等非经常性因素，而非核心业务的持续增长。- 依赖非经常性损益来维持利润增长，不利于公司长期的稳定发展。
#### 4. **净资产收益率下降**- 加权平均净资产收益率从2014年的 **18.10%** 下降到2015年的 **24.82%**，再到2016年的 **28.23%**，虽然数据看似增长，但需注意该指标是以扣除非经常性损益后的净利润计算的，而净利润本身在下降，因此这种增长可能与资本结构变化有关，而非盈利能力的实质性提升。
### 二、原因总结1. **主营业务增长乏力**：营业收入和净利润增长均呈现下降趋势，尤其是净利润的下降表明公司盈利能力在减弱。2. **非经常性损益依赖度高**：公司利润中非经常性损益占比较高，说明主营业务的盈利能力不足，公司业绩的持续性存疑。3. **市场竞争激烈**：公司采购的工控机、显示器、电源等产品市场竞争激烈，价格平稳，利润空间受到挤压。4. **行业环境影响**：不锈钢市场价格波动、原材料价格波动可能对公司经营业绩造成一定影响，虽然公司已采取措施降低影响，但长期来看仍需关注。
### 三、结论总体来看，湖南国科微电子股份有限公司的业绩走势偏 **悲观**。公司主营业务增长乏力，净利润持续下降，对非经常性损益依赖度高，未来盈利能力的可持续性存疑。公司需要加强核心业务的竞争力，优化成本结构，提高主营业务盈利能力，以实现长期稳健发展。"

--全文检索召回SELECT qa_text_search_retrieval(    question => '报告期内，湖南国科微电子股份有限公司2014年度、2015年度、2016年度营业收入和净利润分别较上年增长多大幅度？',    corpus_table => 'dt_bs_challenge_financial',    prompt => '请分析如下业绩走势是悲观还是乐观，并给出原因：${question}\n\n 参考信息：\n\n ${context}');

qa_text_search_retrieval----------------"根据提供的信息，湖南国科微电子股份有限公司在2014年、2015年和2016年的业绩走势整体上呈现**悲观**趋势，具体原因如下：
### 1. **营业收入增长乏力**- 2014年营业收入增长率为**15.13%**，但2015年营业收入增长率转为**-5.21%**，即出现负增长。- 2012年至2014年的营业收入年复合增长率仅为**4.47%**，说明公司营业收入增长较为缓慢，业务发展不够强劲。- 2015年上半年营业收入预测与2014年同期相比大致持平，但2015年上半年净利润较上年同期**略有下降**，表明盈利能力下降。
### 2. **净利润和扣非净利润增长不佳**- 2014年净利润增长率为**5.43%**，2015年净利润增长率下降为**-3.29%**，即净利润出现下滑。- 扣除非经常性损益后的净利润增长率在2014年为**-3.14%**，2015年进一步下降为**-5.60%**，说明公司主营业务的盈利能力持续下降。- 2012年至2014年扣非净利润的年复合增长率为**-4.38%**，明显低于营业收入的年复合增长率，说明公司利润质量不高，主营业务盈利能力较弱。
### 3. **经营活动现金流波动**- 2014年销售商品、提供劳务收到的现金占营业收入的比例较前两年有所下降，主要与部分收入确认项目的**收款跨期**有关，说明公司现金流管理存在问题。- 2013年购买商品、接受劳务支付的现金占营业成本比例较高，主要是由于当年**采购原材料并完成生产**，但部分成本在2014年才结转，导致2014年该比例较低，反映公司采购和生产节奏不够稳定。
### 4. **投资和盈利能力指标**- 加权平均净资产收益率（ROE）在2014年为**18.10%**，2015年上升至**24.82%**，2016年进一步上升至**28.23%**，虽然有所提升，但ROE的提高可能主要依赖**财务杠杆**，而非核心业务盈利能力的提升。- 考虑到净利润和扣非净利润持续下降，ROE的提升并不能完全反映公司经营质量的改善。
### 5. **2015年上半年业绩预测**- 2015年上半年营业收入预计为**8,505万元至10,395万元**，与2014年同期的**10,127.35万元**大致持平，但净利润预计为**2,340万元至2,860万元**，低于2014年同期的**2,912.66万元**，说明公司盈利能力下降。
### 总结综合来看，湖南国科微电子股份有限公司在2014年至2016年的业绩走势**偏向悲观**。虽然ROE有所提升，但营业收入增长乏力、净利润和扣非净利润持续下降、经营活动现金流波动较大，表明公司主营业务盈利能力较弱，经营质量有待提升。"

-- 全文、向量双路召回 + AI重排SELECT qa_hybrid_retrieval(    question => '报告期内，湖南国科微电子股份有限公司2014年度、2015年度、2016年度营业收入和净利润分别较上年增长多大幅度？',    corpus_table => 'dt_bs_challenge_financial',    prompt => '请分析如下业绩走势是悲观还是乐观，并给出原因：${question}\n\n 参考信息：\n\n ${context}');

qa_hybrid_retrieval---"根据提供的信息，我们可以对湖南国科微电子股份有限公司的业绩走势进行如下分析，并判断其趋势是悲观还是乐观：
---
### 一、**营业收入走势分析**1. **2012-2014年复合增长率**：   - 营业收入的年复合增长率为 **4.47%**，表明公司营业收入的增长较为平稳。   - 2014年营业收入为 **18,154.06万元**，较2013年增长 **15.13%**。   - 2015年营业收入较上年 **下降5.21%**，出现了负增长。
2. **结论**：   - 营业收入的增长在2014年有所回升，但2015年出现明显下滑，表明公司业务扩张遇到了一定阻力。
---
### 二、**净利润走势分析**1. **2012-2014年复合增长率**：   - 扣除非经常性损益后的净利润年复合增长率为 **-4.38%**，低于营业收入的年复合增长率，说明公司盈利能力有所下降。   - 2014年扣非净利润为 **42,731,071.18元**，较2013年下降 **3.14%**。   - 2015年扣非净利润较上年进一步下降 **5.60%**。
2. **非经常性损益影响**：   - 2014年、2013年及2012年非经常性损益占净利润的比例分别为 **17.54%、10.25%、8.06%**，呈上升趋势。   - 非经常性损益的增加主要来自于政府补贴和理财产品收益，而非主营业务带来的持续增长。
3. **结论**：   - 扣非净利润连续两年下降，说明公司主营业务盈利能力减弱，业绩增长依赖于非经常性损益，这是令人担忧的信号。
---
### 三、**现金流量与经营稳定性**1. **经营活动现金流**：   - 2014年营业收入为 **18,154.06万元**，但销售商品、提供劳务收到的现金并未明确给出，无法判断现金流是否健康。   - 报告期内，公司银行存款分别为 **13,063.38万元、4,152.54万元、9,864.61万元**，资金流动性波动较大，但主要客户、供应商及经营模式保持稳定。
2. **结论**：   - 虽然公司现金流存在波动，但客户和供应商稳定，经营模式未发生重大变化，这为公司未来的发展提供了一定保障。
---
### 四、**2015年上半年业绩预测**- 2015年1至6月预计营业收入为 **8,505万元至10,395万元**，较2014年同期的 **4,641.19万元**有明显增长。- 但2015年1至3月净利润较上年同期下降 **48.26%**，主要是因为确认收入的项目毛利率较低。
---
### 五、**综合分析与判断**1. **乐观因素**：   - 2014年营业收入增长较快，达到 **15.13%**。   - 2015年上半年营业收入预计增长显著，表明公司可能正在逐步恢复。   - 主要客户、供应商及经营模式保持稳定，为公司提供了良好的运营基础。
2. **悲观因素**：   - 2015年营业收入较上年 **下降5.21%**，净利润也出现下滑。   - 扣非净利润连续两年下降，表明公司主营业务盈利能力不足。   - 非经常性损益占比上升，业绩增长依赖于政府补贴和理财产品收益，缺乏内生增长动力。   - 2015年1至3月净利润大幅下滑 **48.26%**，表明短期业绩波动较大。
---
### **最终结论：整体趋势偏悲观**- 尽管公司在2014年营业收入有所回升，且2015年上半年预计增长，但 **扣非净利润连续下降**、**净利润增长依赖非经常性损益**、**短期业绩波动较大**，表明公司目前的业绩增长缺乏持续性和稳定性。- 因此，从长期来看，公司业绩走势偏 **悲观**，需关注其主营业务盈利能力的改善和非经常性损益的依赖问题。
---
### **建议**1. 关注公司未来主营业务的盈利能力是否能有所提升。2. 降低对非经常性损益的依赖，提高内生增长动力。3. 稳定客户和供应商关系，优化业务结构，提高毛利率。"

-- 全文、向量双路召回 + RRF重排SELECT qa_hybrid_retrieval_rrf(    question => '报告期内，湖南国科微电子股份有限公司2014年度、2015年度、2016年度营业收入和净利润分别较上年增长多大幅度？',    corpus_table => 'dt_bs_challenge_financial',    prompt => '请分析如下业绩走势是悲观还是乐观，并给出原因：${question}\n\n 参考信息：\n\n ${context}');

qa_hybrid_retrieval_rrf------------------"根据提供的信息，对湖南国科微电子股份有限公司的业绩走势进行分析，可以得出以下结论：
### **业绩走势判断：悲观**#### **原因分析如下：**
1. **净利润增长低于营业收入增长：**   - 提供的信息指出，公司2012年至2014年的**营业收入年复合增长率为4.47%**，表明公司整体业务增长较为平稳。   - 但**扣除非经常性损益后归属于母公司股东的净利润年复合增长率为-4.38%**，明显低于营业收入的增长率。这说明公司在收入增长的同时，盈利能力并未同步提升，甚至出现下滑，可能受到成本上升、毛利率下降或非经常性损益减少等因素影响。
2. **净利润波动较大：**   - 2015年1至3月的净利润较上年同期减少了48.26%，且主要原因在于确认收入的项目毛利率较低（如无锡地铁一号线项目以模块外购为主）。这表明公司短期业绩容易受到业务结构变化的影响，存在一定的不稳定性。
3. **毛利率和盈利能力下降：**   - 提到“主营业务利润对公司净利润的贡献”在2014年较2013年略有下降，而2013年又较2012年下降。这说明公司核心业务的盈利能力可能在减弱，可能受到市场竞争加剧、成本上升或产品结构变化的影响。
4. **2015年上半年预测利润下降：**   - 2015年1至6月预计营业收入为8,505万元至10,395万元，与2014年同期大致持平，但净利润预计为2,340万元至2,860万元，低于2014年同期的2,912.66万元。这表明公司盈利能力在进一步下降，可能面临一定的经营压力。
5. **业务增长乏力：**   - 虽然营业收入增长较为平稳，但净利润的下降表明公司业务增长的质量不高，未能有效转化为利润。这可能影响投资者对公司未来发展的信心。
### **总结：**湖南国科微电子股份有限公司的业绩走势整体偏向**悲观**。虽然营业收入保持了平稳增长，但净利润的增长明显滞后甚至出现负增长，表明公司盈利能力在下降，业务发展质量不高，且存在短期业绩波动的风险。如果公司不能有效提升毛利率、控制成本或优化产品结构，未来业绩可能继续承压。"

CREATE OR REPLACE PROCEDURE create_rag_corpus_from_oss(    oss_path TEXT,    oss_endpoint TEXT,    oss_role_arn TEXT,    corpus_table TEXT,    embedding_model TEXT DEFAULT NULL,    parse_document_model TEXT DEFAULT NULL,    chunk_model TEXT DEFAULT NULL,    chunk_size INT DEFAULT 300,    chunk_overlap INT DEFAULT 50,    overwrite BOOLEAN DEFAULT FALSE)AS $$DECLARE    corpus_schema TEXT;    corpus_name TEXT;    obj_table_name TEXT;    full_corpus_ident TEXT;    full_obj_ident TEXT;    embed_expr TEXT;    chunk_expr TEXT;    parse_expr TEXT;    embedding_dims INT;BEGIN    -- 1. 拆 schema name + table name    IF position('.' in corpus_table) > 0 THEN        corpus_schema := split_part(corpus_table, '.', 1);        corpus_name   := split_part(corpus_table, '.', 2);    ELSE        corpus_schema := 'public';        corpus_name   := corpus_table;    END IF;
    obj_table_name := corpus_name || '_obj_table';
    full_corpus_ident := format('%I.%I', corpus_schema, corpus_name);    full_obj_ident    := format('%I.%I', corpus_schema, obj_table_name);        -- 2. 如果需要覆盖，先删表和索引    IF overwrite THEN        DECLARE            dyn_table_exists BOOLEAN;            rec RECORD;        BEGIN            -- 检查 dynamic table 是否存在            SELECT EXISTS (                SELECT 1                FROM pg_class c                JOIN pg_namespace n ON n.oid = c.relnamespace                WHERE c.relname = corpus_name                AND n.nspname = corpus_schema            )            INTO dyn_table_exists;
            IF dyn_table_exists THEN                -- 2.1 关闭动态表自动刷新                -- RAISE NOTICE 'Disabling auto refresh for %', full_corpus_ident;                -- EXECUTE format('ALTER TABLE IF EXISTS %s SET (auto_refresh_enable=false)', full_corpus_ident);
                -- 2.2 查找 RUNNING 刷新任务并取消                FOR rec IN                    EXECUTE format(                        $f$                        SELECT query_job_id                            FROM hologres.hg_dynamic_table_refresh_log(%L)                            WHERE status = 'RUNNING';                        $f$,                        corpus_table                    )                LOOP                    RAISE NOTICE 'Found running refresh job: %', rec.query_job_id;                    IF hologres.hg_internal_cancel_query_job(rec.query_job_id::bigint) THEN                        RAISE NOTICE 'Cancel job % succeeded.', rec.query_job_id;                    ELSE                        RAISE WARNING 'Cancel job % failed.', rec.query_job_id;                    END IF;                END LOOP;
                -- 2.3 删除 Dynamic Table                EXECUTE format('DROP TABLE IF EXISTS %s;', full_corpus_ident);            ELSE                RAISE NOTICE 'Dynamic table % does not exist, skip cancel job and drop.', full_corpus_ident;            END IF;
            -- 2.4 无论如何，Object Table 都要删除            EXECUTE format('DROP OBJECT TABLE IF EXISTS %s;', full_obj_ident);        END;    END IF;
    -- 3. 创建 Object Table    RAISE NOTICE 'Create object table: %', obj_table_name;    EXECUTE format(        $f$        CREATE OBJECT TABLE %s        WITH (            path = %L,            oss_endpoint = %L,            role_arn = %L        );        $f$,        full_obj_ident,        oss_path,        oss_endpoint,        oss_role_arn    );
    COMMIT;
    -- 4. 刷新 Object Table    RAISE NOTICE 'Refresh object table: %', obj_table_name;    EXECUTE format('REFRESH OBJECT TABLE %s;', full_obj_ident);
    COMMIT;
    -- 5. 文档解析模型选择    IF parse_document_model IS NULL OR length(trim(parse_document_model)) = 0 THEN        parse_expr := 'ai_parse_document(file, ''auto'', ''markdown'')';    ELSE        parse_expr := format(            'ai_parse_document(%L, file, ''auto'', ''markdown'')',            parse_document_model        );    END IF;
    -- 6. chunk 模型选择    IF chunk_model IS NULL OR length(trim(chunk_model)) = 0 THEN        chunk_expr := format('ai_chunk(doc, %s, %s)', chunk_size, chunk_overlap);    ELSE        chunk_expr := format(            'ai_chunk(%L, doc, %s, %s)',            chunk_model,            chunk_size,            chunk_overlap        );    END IF;
    -- 7. embedding 模型选择    IF embedding_model IS NULL OR length(trim(embedding_model)) = 0 THEN        embed_expr := 'ai_embed(chunk)';
        EXECUTE 'SELECT array_length(ai_embed(''dummy''), 1)'        INTO embedding_dims;    ELSE        embed_expr := format('ai_embed(%L, chunk)', embedding_model);
        EXECUTE format(            'SELECT array_length(ai_embed(%L, ''dummy''), 1)',            embedding_model        )        INTO embedding_dims;    END IF;
    RAISE NOTICE 'embedding dimension is: %', embedding_dims;
    -- 8. 创建 RAG 输出动态表    RAISE NOTICE 'create dynamic table: %', corpus_name;    EXECUTE format(        $f$        CREATE DYNAMIC TABLE %s(            CHECK(array_ndims(embedding_vector) = 1 AND array_length(embedding_vector, 1) = %s)        )        WITH (            vectors = '{              "embedding_vector": {                "algorithm": "HGraph",                "distance_method": "Cosine",                "builder_params": {                "base_quantization_type": "sq8_uniform",                "max_degree": 64,                "ef_construction": 400,                "precise_quantization_type": "fp32",                "use_reorder": true                }              }            }',            auto_refresh_mode = 'incremental',            freshness = '5 minutes',            auto_refresh_enable = 'false'        ) AS        WITH parsed_doc AS (            SELECT object_uri,                   etag,                   %s AS doc              FROM %s        ),        chunked_doc AS (            SELECT object_uri,                   etag,                   unnest(%s) AS chunk              FROM parsed_doc        )        SELECT            object_uri,            etag,            chunk,            %s AS embedding_vector          FROM chunked_doc;        $f$,        full_corpus_ident,        embedding_dims,        parse_expr,        full_obj_ident,        chunk_expr,        embed_expr    );    COMMIT;
    -- 9. 创建全文索引（索引名 = 表名 || '_fulltext_idx'）    EXECUTE format(        'CREATE INDEX %I ON %s USING FULLTEXT (chunk);',        corpus_name || '_fulltext_idx',        full_corpus_ident    );
    RAISE NOTICE '';    RAISE NOTICE 'Create RAG corpus success to table: %', corpus_table;    RAISE NOTICE '    Vector index is: %.embedding_vector', corpus_table;    RAISE NOTICE '    TextSearch index is: %.chunk', corpus_table;END;$$ LANGUAGE plpgsql;

CREATE OR REPLACE PROCEDURE refresh_rag_corpus_table(    corpus_table TEXT)AS $$DECLARE    corpus_schema TEXT;    corpus_name   TEXT;    obj_table_name TEXT;    full_corpus_ident TEXT;    full_obj_ident    TEXT;BEGIN    -- 1. 解析 schema 和表名    IF position('.' in corpus_table) > 0 THEN        corpus_schema := split_part(corpus_table, '.', 1);        corpus_name   := split_part(corpus_table, '.', 2);    ELSE        corpus_schema := 'public';        corpus_name   := corpus_table;    END IF;
    obj_table_name := corpus_name || '_obj_table';
    full_corpus_ident := format('%I.%I', corpus_schema, corpus_name);    full_obj_ident    := format('%I.%I', corpus_schema, obj_table_name);
    -- 2. 刷新 Object Table    RAISE NOTICE 'Refreshing Object Table: %', obj_table_name;    EXECUTE format('REFRESH OBJECT TABLE %s;', full_obj_ident);
    -- 3. 刷新 Dynamic Table    RAISE NOTICE 'Refreshing Dynamic Table: %', corpus_name;    EXECUTE format('REFRESH TABLE %s;', full_corpus_ident);
    RAISE NOTICE 'Refresh complete for corpus table %', corpus_table;END;$$ LANGUAGE plpgsql;

CREATE OR REPLACE PROCEDURE drop_rag_corpus_table(    corpus_table TEXT)AS $$DECLARE    corpus_schema TEXT;    corpus_name   TEXT;    obj_table_name TEXT;    full_corpus_ident TEXT;    full_obj_ident    TEXT;    rec RECORD;BEGIN    -- 1. 解析 schema 和表名    IF position('.' in corpus_table) > 0 THEN        corpus_schema := split_part(corpus_table, '.', 1);        corpus_name   := split_part(corpus_table, '.', 2);    ELSE        corpus_schema := 'public';        corpus_name   := corpus_table;    END IF;
    obj_table_name := corpus_name || '_obj_table';
    full_corpus_ident := format('%I.%I', corpus_schema, corpus_name);    full_obj_ident    := format('%I.%I', corpus_schema, obj_table_name);
    -- 2. 删除表    -- 2.1 关闭动态表自动刷新    -- RAISE NOTICE 'Disabling auto refresh for %', full_corpus_ident;    -- EXECUTE format('ALTER TABLE IF EXISTS %s SET (auto_refresh_enable=false)', full_corpus_ident);
    -- 2.2 查找 RUNNING 刷新任务并取消    FOR rec IN        EXECUTE format(            $f$            SELECT query_job_id                FROM hologres.hg_dynamic_table_refresh_log(%L)                WHERE status = 'RUNNING';            $f$,            corpus_table        )    LOOP        RAISE NOTICE 'Found running refresh job: %', rec.query_job_id;        IF hologres.hg_internal_cancel_query_job(rec.query_job_id::bigint) THEN            RAISE NOTICE 'Cancel job % succeeded.', rec.query_job_id;        ELSE            RAISE WARNING 'Cancel job % failed.', rec.query_job_id;        END IF;    END LOOP;
    -- 2.3 删除 Dynamic Table    RAISE NOTICE 'Dropping Dynamic Table: %', corpus_name;    EXECUTE format('DROP TABLE IF EXISTS %s;', full_corpus_ident);
    -- 2.4 删除 Object Table    RAISE NOTICE 'Dropping Object Table: %', obj_table_name;    EXECUTE format('DROP OBJECT TABLE IF EXISTS %s;', full_obj_ident);
    RAISE NOTICE 'Drop complete for corpus: %', corpus_table;END;$$ LANGUAGE plpgsql;

-- RAG向量单路召回问答CREATE OR REPLACE FUNCTION qa_vector_search_retrieval(    question TEXT,    corpus_table TEXT,    embedding_model TEXT DEFAULT NULL,    llm_model TEXT DEFAULT NULL,    ranking_model TEXT DEFAULT NULL,    prompt TEXT DEFAULT 'Please answer the following question in ${language} based on the reference information.\n\n Question: ${question}\n\n Reference information:\n\n ${context}',    language TEXT DEFAULT 'Chinese',    vector_recall_count INT DEFAULT 20,    rerank_recall_count INT DEFAULT 5,    vector_col TEXT DEFAULT 'embedding_vector')RETURNS TEXT AS$$DECLARE    final_answer TEXT;    sql TEXT;    embedding_expr TEXT;    ai_rank_expr TEXT;    ai_gen_expr TEXT;    embedding_model_valid BOOLEAN;    llm_model_valid BOOLEAN;    ranking_model_valid BOOLEAN;BEGIN    embedding_model_valid := (embedding_model IS NOT NULL AND trim(embedding_model) != '');    llm_model_valid := (llm_model IS NOT NULL AND trim(llm_model) != '');    ranking_model_valid := (ranking_model IS NOT NULL AND trim(ranking_model) != '');
    IF embedding_model_valid THEN        embedding_expr := 'ai_embed(' || quote_literal(embedding_model) || ', ' || quote_literal(question) || ')';    ELSE        embedding_expr := 'ai_embed(' || quote_literal(question) || ')';    END IF;
    IF ranking_model_valid THEN        ai_rank_expr := 'ai_rank(' || quote_literal(ranking_model) || ', ' || quote_literal(question) || ', chunk)';    ELSE        ai_rank_expr := 'ai_rank(' || quote_literal(question) || ', chunk)';    END IF;
    IF llm_model_valid THEN        ai_gen_expr := 'ai_gen(' || quote_literal(llm_model) ||            ', replace(replace(replace(' || quote_literal(prompt) ||               ', ''${question}'', ' || quote_literal(question) || '), ''${context}'', merged_chunks), ''${language}'', ' || quote_literal(language) || ') )';    ELSE        ai_gen_expr := 'ai_gen(replace(replace(replace(' || quote_literal(prompt) ||               ', ''${question}'', ' || quote_literal(question) || '), ''${context}'', merged_chunks), ''${language}'', ' || quote_literal(language) || '))';    END IF;
    sql := '      WITH        embedding_recall AS (            SELECT              chunk,              approx_cosine_distance(' || vector_col || ', ' || embedding_expr || ') AS distance            FROM              ' || corpus_table || '            ORDER BY              distance DESC            LIMIT ' || vector_recall_count || '        ),        rerank AS (            SELECT              chunk,              ' || ai_rank_expr || ' AS score            FROM              embedding_recall            ORDER BY              score DESC            LIMIT ' || rerank_recall_count || '        ),        concat_top_chunks AS (            SELECT string_agg(chunk, E''\n\n----\n\n'') AS merged_chunks FROM rerank        )      SELECT ' || ai_gen_expr || '      FROM concat_top_chunks;    ';
    EXECUTE sql INTO final_answer;    RETURN final_answer;END;$$ LANGUAGE plpgsql;

CREATE OR REPLACE FUNCTION qa_text_search_retrieval(    question TEXT,    corpus_table TEXT,    llm_model TEXT DEFAULT NULL,    ranking_model TEXT DEFAULT NULL,    prompt TEXT DEFAULT 'Please answer the following question in ${language} based on the reference information.\n\n Question: ${question}\n\n Reference information:\n\n ${context}',    language TEXT DEFAULT 'Chinese',    text_search_recall_count INT DEFAULT 20,    rerank_recall_count INT DEFAULT 5,    text_search_col TEXT DEFAULT 'chunk')RETURNS TEXT AS$$DECLARE    final_answer TEXT;    sql TEXT;    ai_rank_expr TEXT;    ai_gen_expr TEXT;    llm_model_valid BOOLEAN;    ranking_model_valid BOOLEAN;BEGIN    llm_model_valid     := (llm_model IS NOT NULL AND trim(llm_model) != '');    ranking_model_valid := (ranking_model IS NOT NULL AND trim(ranking_model) != '');
    IF ranking_model_valid THEN        ai_rank_expr := 'ai_rank(' || quote_literal(ranking_model) || ', ' || quote_literal(question) || ', chunk)';    ELSE        ai_rank_expr := 'ai_rank(' || quote_literal(question) || ', chunk)';    END IF;
    IF llm_model_valid THEN        ai_gen_expr := 'ai_gen(' || quote_literal(llm_model) ||            ', replace(replace(replace(' || quote_literal(prompt) ||               ', ''${question}'', ' || quote_literal(question) ||               '), ''${context}'', merged_chunks), ''${language}'', ' || quote_literal(language) || ') )';    ELSE        ai_gen_expr := 'ai_gen(replace(replace(replace(' || quote_literal(prompt) ||               ', ''${question}'', ' || quote_literal(question) ||               '), ''${context}'', merged_chunks), ''${language}'', ' || quote_literal(language) || '))';    END IF;
    sql := '      WITH        text_search_recall AS (            SELECT              chunk            FROM              ' || corpus_table || '            ORDER BY              text_search(' || text_search_col || ', ' || quote_literal(question) || ') DESC            LIMIT ' || text_search_recall_count || '        ),        rerank AS (            SELECT              chunk,              ' || ai_rank_expr || ' AS score            FROM              text_search_recall            ORDER BY              score DESC            LIMIT ' || rerank_recall_count || '        ),        concat_top_chunks AS (            SELECT string_agg(chunk, E''\n\n----\n\n'') AS merged_chunks FROM rerank        )      SELECT ' || ai_gen_expr || '      FROM concat_top_chunks;    ';
    EXECUTE sql INTO final_answer;    RETURN final_answer;END;$$ LANGUAGE plpgsql;

CREATE OR REPLACE FUNCTION qa_hybrid_retrieval(    question TEXT,    corpus_table TEXT,    embedding_model TEXT DEFAULT NULL,    llm_model TEXT DEFAULT NULL,    ranking_model TEXT DEFAULT NULL,    prompt TEXT DEFAULT 'Please answer the following question in ${language} based on the reference information.\n\n Question: ${question}\n\n Reference information:\n\n ${context}',    language TEXT DEFAULT 'Chinese',    text_search_recall_count INT DEFAULT 20,    vector_recall_count INT DEFAULT 20,    rerank_recall_count INT DEFAULT 5,    vector_col TEXT DEFAULT 'embedding_vector',    text_search_col TEXT DEFAULT 'chunk')RETURNS TEXT AS$$DECLARE    final_answer TEXT;    sql TEXT;    embedding_expr TEXT;    ai_rank_expr TEXT;    ai_gen_expr TEXT;    embedding_model_valid BOOLEAN;    llm_model_valid BOOLEAN;    ranking_model_valid BOOLEAN;BEGIN    embedding_model_valid := (embedding_model IS NOT NULL AND trim(embedding_model) != '');    llm_model_valid       := (llm_model IS NOT NULL AND trim(llm_model) != '');    ranking_model_valid   := (ranking_model IS NOT NULL AND trim(ranking_model) != '');
    IF embedding_model_valid THEN        embedding_expr := 'ai_embed(' || quote_literal(embedding_model) || ', ' || quote_literal(question) || ')';    ELSE        embedding_expr := 'ai_embed(' || quote_literal(question) || ')';    END IF;
    IF ranking_model_valid THEN        ai_rank_expr := 'ai_rank(' || quote_literal(ranking_model) || ', ' || quote_literal(question) || ', chunk)';    ELSE        ai_rank_expr := 'ai_rank(' || quote_literal(question) || ', chunk)';    END IF;
    IF llm_model_valid THEN        ai_gen_expr := 'ai_gen(' || quote_literal(llm_model) ||            ', replace(replace(replace(' || quote_literal(prompt) ||               ', ''${question}'', ' || quote_literal(question) || '), ''${context}'', merged_chunks), ''${language}'', ' || quote_literal(language) || ') )';    ELSE        ai_gen_expr := 'ai_gen(replace(replace(replace(' || quote_literal(prompt) ||               ', ''${question}'', ' || quote_literal(question) || '), ''${context}'', merged_chunks), ''${language}'', ' || quote_literal(language) || '))';    END IF;
    sql := '      WITH        embedding_recall AS (            SELECT              chunk            FROM              ' || corpus_table || '            ORDER BY              approx_cosine_distance(' || vector_col || ', ' || embedding_expr || ') DESC            LIMIT ' || vector_recall_count || '        ),        text_search_recall AS (            SELECT              chunk            FROM              ' || corpus_table || '            ORDER BY              text_search(' || text_search_col || ', ' || quote_literal(question) || ') DESC            LIMIT ' || text_search_recall_count || '        ),        union_recall AS (            SELECT chunk FROM embedding_recall            UNION            SELECT chunk FROM text_search_recall        ),        rerank AS (            SELECT              chunk,              ' || ai_rank_expr || ' AS score            FROM              union_recall            ORDER BY              score DESC            LIMIT ' || rerank_recall_count || '        ),        concat_top_chunks AS (            SELECT string_agg(chunk, E''\n\n----\n\n'') AS merged_chunks FROM rerank        )      SELECT ' || ai_gen_expr || '      FROM concat_top_chunks;    ';
    EXECUTE sql INTO final_answer;    RETURN final_answer;END;$$ LANGUAGE plpgsql;

CREATE OR REPLACE FUNCTION qa_hybrid_retrieval_rrf(    question TEXT,    corpus_table TEXT,    embedding_model TEXT DEFAULT NULL,    llm_model TEXT DEFAULT NULL,    ranking_model TEXT DEFAULT NULL,    prompt TEXT DEFAULT 'Please answer the following question in ${language} based on the reference information.\n\n Question: ${question}\n\n Reference information:\n\n ${context}',    language TEXT DEFAULT 'Chinese',    text_search_recall_count INT DEFAULT 20,    vector_recall_count INT DEFAULT 20,    rerank_recall_count INT DEFAULT 5,    rrf_k INT DEFAULT 60,    vector_col TEXT DEFAULT 'embedding_vector',    text_search_col TEXT DEFAULT 'chunk')RETURNS TEXT AS$$DECLARE    final_answer TEXT;    sql TEXT;    embedding_expr TEXT;    ai_rank_expr TEXT;    ai_gen_expr TEXT;    embedding_model_valid BOOLEAN;    llm_model_valid BOOLEAN;    ranking_model_valid BOOLEAN;BEGIN    embedding_model_valid := (embedding_model IS NOT NULL AND trim(embedding_model) <> '');    llm_model_valid       := (llm_model IS NOT NULL AND trim(llm_model) <> '');    ranking_model_valid   := (ranking_model IS NOT NULL AND trim(ranking_model) <> '');
    IF embedding_model_valid THEN        embedding_expr := 'ai_embed(' || quote_literal(embedding_model) || ', ' || quote_literal(question) || ')';    ELSE        embedding_expr := 'ai_embed(' || quote_literal(question) || ')';    END IF;
    IF ranking_model_valid THEN        ai_rank_expr := 'ai_rank(' || quote_literal(ranking_model) || ', ' || quote_literal(question) || ', chunk)';    ELSE        ai_rank_expr := 'ai_rank(' || quote_literal(question) || ', chunk)';    END IF;
    IF llm_model_valid THEN        ai_gen_expr := 'ai_gen(' || quote_literal(llm_model) ||            ', replace(replace(replace(' || quote_literal(prompt) ||                ', ''${question}'', ' || quote_literal(question) || '), ''${context}'', merged_chunks), ''${language}'', ' || quote_literal(language) || ') )';    ELSE        ai_gen_expr := 'ai_gen(replace(replace(replace(' || quote_literal(prompt) ||                ', ''${question}'', ' || quote_literal(question) || '), ''${context}'', merged_chunks), ''${language}'', ' || quote_literal(language) || '))';    END IF;
    sql := '      WITH embedding_recall AS (        SELECT          chunk,          vec_score,          ROW_NUMBER() OVER (ORDER BY vec_score DESC) AS rank_vec        FROM (          SELECT            chunk,            approx_cosine_distance(' || vector_col || ', ' || embedding_expr || ') AS vec_score          FROM            ' || corpus_table || '        ) t        ORDER BY vec_score DESC        LIMIT ' || vector_recall_count || '      ),      text_search_recall AS (        SELECT          chunk,          text_score,          ROW_NUMBER() OVER (ORDER BY text_score DESC) AS rank_text        FROM (          SELECT            chunk,            text_search(' || text_search_col || ', ' || quote_literal(question) || ') AS text_score          FROM            ' || corpus_table || '        ) ts        WHERE text_score > 0        ORDER BY text_score DESC        LIMIT ' || text_search_recall_count || '      ),      rrf_scores AS (        SELECT          chunk,          SUM(1.0 / (' || rrf_k || ' + rank_val)) AS rrf_score        FROM (          SELECT chunk, rank_vec AS rank_val FROM embedding_recall          UNION ALL          SELECT chunk, rank_text AS rank_val FROM text_search_recall        ) sub        GROUP BY chunk      ),      top_chunks AS (        SELECT chunk        FROM rrf_scores        ORDER BY rrf_score DESC        LIMIT ' || rerank_recall_count || '      ),      concat_top_chunks AS (        SELECT string_agg(chunk, E''\n\n----\n\n'') AS merged_chunks FROM top_chunks      )      SELECT ' || ai_gen_expr || '      FROM concat_top_chunks;    ';
    EXECUTE sql INTO final_answer;    RETURN final_answer;END;$$ LANGUAGE plpgsql;