实时语音转文字系统的第一步，是拿到"对方正在说话"的音频。麦克风录到的是你自己的声音和环境噪音，而你需要的是系统正在播放的那路音频。本篇来解决这个问题，并在此基础上搭建实时语音检测（VAD），为后续的语音识别铺好路。

本文介绍了一个高效RAG问答系统的架构设计与实现，采用5层解耦架构（前端层/API层/编排层/RAG核心层/基础设施层）。核心创新在于双层Pipeline设计：第一层使用BM25+Softmax归一化实现FAQ精确匹配（命中率62%，响应50ms），第二层处理复杂问题的完整RAG流程。系统通过Redis双重缓存、热门问题预存、意图识别（规则+LLM）等优化，显著减少不必要的语义检索。技术栈选用BG