很多人在优化 RAG 时，会优先考虑：
- 换更强的模型
- 调 Prompt
- 加更多数据
但在真实系统中，一个更本质的事实是：
RAG 的效果，本质上由“检索系统”决定。
一、一个被忽略的现实
我们先看一条最真实的链路：
如果信息没有被检索出来 → 模型永远不可能回答正确换句话说：
模型的上限 = 检索的上限
二、三种主流检索方式
目前主流 RAG 系统，基本都在这三种之间做选择。
1. 向量检索（Vector Search）
原理：
Query → Embedding → 向量相似度搜索（Top-K）优点：
- 能处理语义相似（模糊表达）
- 对自然语言友好
缺点：
- 精确匹配能力差
- 对数字 / ID / 关键词不敏感
- 长尾问题不稳定
典型问题
Query: “2024年Q3报销政策”结果可能：
- 命中“报销流程说明”
- 但忽略“2024 Q3”
问题本质：
向量检索擅长“语义”，但不擅长“精确条件”。
2. 关键词检索（Keyword / BM25）
典型实现：
- Elasticsearch
- BM25 算法
优点
- 精确匹配强（时间 / 数字 / 专有词）
- 可控性高（过滤 / 权重 / 字段控制）
缺点
- 无法真正理解语义
- Query 必须写得“准”
- 对自然语言表达不友好
典型问题：
Query: “费用报销流程” 如果文档写的是“报销审批流程” → 可能完全匹配不到3. 混合检索（Hybrid Retrieval）
真实系统的主流方案
核心思路
向量检索（找语义） + 关键词检索（找精确） + 融合排序三、一个标准架构（可直接用于方案）
下面是一个典型的 Hybrid Retrieval 架构：
关键点：
不是“选一个”，而是“组合使用”。
四、为什么 Hybrid 是必选项？
因为两种能力是互补的：
向量检索解决：
- “用户不会说标准词”的问题
关键词检索解决：
- “必须精确命中”的问题
举个真实场景：
Query: “2024年差旅报销标准”- 向量：找到“报销流程”
- 关键词：命中“2024年”
单用任何一个都不够
五、一个必须理解的核心指标
在检索系统里，有两个核心指标。
Recall（召回率）
能不能“找到”正确答案
Precision（精准率）
找到的结果“是不是对的”
一个核心 Tradeoff
提高 Recall → 噪声变多 提高 Precision → 容易漏掉答案检索系统的本质：
在 Recall 和 Precision 之间找平衡
六、参数怎么调？（工程实战）
这一部分，是很多系统真正拉开差距的地方。
1. Top-K（向量检索）
建议：10 ~ 30太小
- 漏掉答案
太大
- 噪声太多
2. BM25 权重（ES）
可调：
- 标题权重 > 正文
- 精确匹配加权
- 字段 Boost
3. 融合策略（关键）
常见方式：
1.分数融合
score = α * vector_score + β * bm25_score2.排名融合（推荐）
- Reciprocal Rank Fusion（RRF）
优点：
- 不依赖分数归一化
- 更稳定
七、一个进阶优化：Query 分析
不同 Query，用不同策略
示例
1. 精确查询（含时间 / ID） → 偏向 BM25 2. 模糊查询（自然语言） → 偏向向量 3. 长问题 → 拆分 + 多路检索如果这一层做得好：
系统稳定性会明显提升
八、再往上：多路召回（高级）
一个 Query → 多个 Retriever
Query ↓ 多种策略： - 向量 - BM25 - 规则 ↓ 合并 ↓ Rerank作用
- 提升 Recall
- 对抗单一策略失效
- 提高长尾问题稳定性
九、工程落地
1. 标准方案（轻量级）
Vector DB（Qdrant / Milvus / pgvector） + Elasticsearch+Rerank 模型2. 进阶方案（平台级）
多 Retriever + Query Rewrite + Rerank + Feedback Learning（用户点击反馈）十、重要认知
RAG 的核心不是“生成”，而是“找到什么信息被生成”。
收尾
如果你发现：
- 模型经常“答非所问”
- 或者“看起来很聪明，但总差一点”
那么问题很可能不是模型，而是：
你让它“看到了错误的信息”。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
