很多 RAG 项目一开始都像“把文档切块、向量化、Top-K 塞给大模型”。Demo 能跑线上一问就出问题用户换个说法检索不到召回一堆相似片段但真正能回答的没有排到前面上下文越塞越长成本上升答案反而不稳。真正的优化不是只调 chunk_size也不是只换 Embedding 模型而是把检索拆成四层索引层决定知识怎么存查询层决定问题怎么转召回层决定从哪些路径去找重排序层决定哪些证据最终进入 Prompt。一、检索决定 RAG 的上限RAG 的回答质量第一步不是生成而是检索。检索没把正确证据找回来后面再换更强模型、写更长 Prompt也只是让模型更“会编”。检索能稳定召回准确内容生成层才有发挥空间。所以生产级 RAG 的核心不是“多拿一点上下文”而是“把该拿的拿回来把不该拿的挡在外面”。这句话看着简单落到工程里通常要靠四层组合来完成。二、四层框架别零散堆技巧很多人回答“检索怎么优化”时会说调 chunk、换 Embedding、加 Rerank。这些都对但如果不能讲清楚它们分别解决什么问题线上遇到故障时就会变成乱试参数。更稳的方式是按层拆索引层解决知识粒度问题查询层解决表达对齐问题召回层解决路径覆盖问题重排序层解决候选精度问题。三、索引层检索用小块阅读用大块索引层最容易被误解。很多人觉得 chunk 越小越准实际上只说对了一半。小块语义更聚焦确实容易被向量检索命中但小块给到 LLM 后常常缺少上下文模型读不懂前因后果。大块正好相反。上下文完整但一个向量里混了太多语义用户问细节时反而不容易命中。这个矛盾就是索引优化的起点小块负责被找到大块负责被读懂。1. Parent-Child Chunking把文档切成两套粒度子 chunk 用来建向量索引父 chunk 用来提供完整上下文。检索时命中子 chunk再通过 parent_id 找到父 chunk把父 chunk 交给 LLM。这套方案适合客服知识库、制度文档、产品手册、API 文档等结构清晰的场景。关键点是父子块要带版本号和来源信息否则知识库更新后很容易出现“子块命中新版本父块却拿到旧版本”的问题。2. 摘要索引有些原文很长、表达很散直接用原文向量召回会不稳定。这时可以先给章节或段落生成摘要用摘要向量做索引命中摘要后再取原文内容给模型阅读。摘要索引的好处是语义更集中缺点是摘要可能丢细节。因此它更适合长报告、论文、会议纪要、年报这类“章节核心意思明确”的材料。3. 多粒度索引同一套知识库里用户问题可能有粗有细。“什么是 RAG”适合章节级召回“退款到账要几个工作日”适合句子级召回。多粒度索引就是同时保留章节、段落、句子等不同粒度然后根据 query 类型选择召回层级。四、查询层把用户问题翻译成“知识库能听懂的话”索引建得再好也挡不住用户随口问。用户说“它为什么这么贵”知识库里写的是“iPhone 15 Pro Max 定价策略分析”用户说“咋退”知识库里写的是“售后申请流程”。意思接近但表达风格不同检索就可能漏。查询优化就是在检索之前对用户 query 做加工。它不是为了让问题变漂亮而是为了让 query 在向量空间和关键词空间里更容易命中正确文档。1. Query Rewrite处理口语和指代把含糊、口语化、依赖上下文的问题改写成独立、明确、可检索的问题。比如多轮对话里用户追问“这个要多久”系统要结合上文改写成“退款审核通过后多久到账”。2. Multi-Query从多个角度撒网一个问题可能有多种说法。Multi-Query 会生成 3 到 5 个不同角度的问题分别检索再合并去重。它的价值是提升召回覆盖率但要注意保留原始 query避免改写版本丢失用户的关键细节。3. HyDE先生成假设答案再拿答案去搜问题是疑问句文档通常是陈述句。HyDE 先让模型根据问题生成一段“可能的答案”再把这段假设答案做 Embedding 去检索。这样 query 的文体更接近文档向量匹配更容易命中。它的风险也很明显如果假设答案方向错了就会把召回带偏。因此 HyDE 更适合领域边界清晰、知识库质量较高的场景。4. Step-back先问背景再答细节当用户问题太具体知识库里没有完全相同问法时可以先退一步把问题抽象成更通用的背景问题。比如“为什么 attention 要除以 sqrt(d_k)”可以先检索“缩放点积注意力的数学原理”再结合背景回答具体问题。查询改写示例代码下面是一个简化的 Multi-Query RRF 伪代码。实际工程里可以把 query rewrite、检索、融合、去重都做成可观测链路记录每个 query 命中的文档方便排查失败样本。def retrieve_with_multi_query(user_query, chat_history): queriesllm.generate_queries(originaluser_query,historychat_history,n4,keep_originalTrue)all_ranked_lists[]forqinqueries: dense_hitsvector_search(q,top_k20)bm25_hitskeyword_search(q,top_k20)all_ranked_lists.extend([dense_hits, bm25_hits])fusedrrf_fusion(all_ranked_lists,k60)dedupedmerge_by_source_and_chunk_id(fused)rerankedcross_encoder_rerank(user_query, deduped,top_k5)returnreranked五、召回层向量检索不是万能的单独用向量检索能处理同义表达但对精确词、型号、数字、接口名、法规条款不一定稳定。单独用 BM25精确匹配强但不理解语义。两者不是谁替代谁而是互补。生产环境更推荐混合召回向量检索负责语义相似BM25 负责精确词命中元数据过滤负责业务边界必要时再加结构化查询或图关系检索。RRF为什么不用原始分数直接相加向量相似度、BM25 分数、标题召回分数的取值范围完全不同直接归一化再加权并不稳定。RRF 的思路很简单不看原始分数只看排名。某个 chunk 在多个列表里都排得靠前它的综合分就高。RRF 适合工程落地因为实现简单、不需要训练、计算成本低尤其适合多路召回后的第一轮融合。六、重排序层把候选里的噪声踢出去多路召回之后候选可能有几十个。这里最忌讳直接全部塞给 LLM。候选越多token 成本越高噪声越多模型越容易被无关内容干扰。Rerank 的作用是做精排。粗召阶段用 Bi-Encoder 快速找到一批可能相关的内容精排阶段用 Cross-Encoder 对“query chunk”逐对判断相关性最终只把最有用的 3 到 5 段送入 Prompt。为什么候选不能无限塞长上下文模型并不等于“把所有内容扔进去就能找到答案”。已有研究发现当关键信息处在长上下文中间位置时模型利用能力可能明显下降而信息在开头或结尾时表现往往更好。所以重排序之后还要控制 Prompt 组织顺序最关键的证据放前面必要的补充证据放后面同源重复内容要合并冲突证据要明确标出来源和时间。七、生产级组合方案大多数业务场景不需要一上来就堆满所有高级技巧。比较稳的起步方案是Parent-Child 索引 向量/BM25 混合召回 RRF 融合 Cross-Encoder Rerank。如果用户问题质量很差再加 Query Rewrite 和 Multi-Query如果文档很长再加摘要索引和多粒度索引如果业务有权限、时间、地区、产品线边界一定要把元数据过滤纳入检索链路。八、优化不要靠感觉要靠评测集检索优化最怕“我感觉变好了”。正确做法是准备一批真实问题给每个问题标注应该命中的文档或 chunk再对不同策略做离线评测。常用指标可以分两类检索指标看系统有没有把正确证据找回来比如 HitK、MRR、RecallK、NDCG生成指标看答案是否基于上下文比如 Faithfulness、Answer Relevancy、Context Precision、Context Recall。更重要的是失败样本回流。每次用户点踩、人工复核、线上答错都要能追溯到原始 query 是什么改写 query 是什么各路召回了什么RRF 后保留了什么Rerank 为什么把某个 chunk 排前面。只有这样优化才不是玄学。九、可以直接落地的检查清单✓每个 chunk 都有 source_id、doc_id、section、version、time、permission 等可追溯字段。✓不要只存向量保留原文、标题、摘要、元数据方便混合检索和排障。✓默认启用向量 BM25 混合召回精确词、型号、数字类问题不要只依赖 Embedding。✓RRF 融合后先去重再交给 Rerank不要把重复 chunk 直接塞进 Prompt。✓Rerank 的 top_k 不要拍脑袋结合 token 预算和评测集调。✓Prompt 里放入证据时优先放最关键、最新、来源权威的内容。✓所有线上回答要记录检索链路方便复盘“为什么答错”。十、总结RAG 检索优化不是一个单点技巧而是一条链路。索引层让知识“存得对”查询层让问题“问得准”召回层让候选“捞得全”重排序层让证据“选得准”。如果只调一个参数可能会有局部提升但想让系统稳定上线就要把四层串起来再用评测集和日志闭环持续迭代。RAG 的真正能力不在于模型会不会说而在于系统能不能把正确证据稳定送到模型面前。内容来源RAG 检索优化策略从命中率到答案质量的一套工程打法_热闻岛