RAG开发速查手册

RAG，检索增强生成，是让模型先查资料再回答的方法。它适合处理企业文档、产品手册、政策问答和知识库场景，能减少模型凭空编造。

基本流程

1. 准备文档：收集、清洗、去重、分类型。
2. 文档切分：把长文切成适合检索的小块。
3. 生成 Embedding：把文本块转成向量。
4. 检索：根据用户问题找到相关片段。
5. 重排：把最相关片段排在前面。
6. 生成：让模型基于检索结果回答。

关键术语

Chunk，文本块：文档切分后的片段。太短会丢上下文，太长会降低检索精度。

Retriever，检索器：根据问题找相关资料的组件。

Reranker，重排器：对初步检索结果重新排序，提高相关性。

Citation，引用：回答中标注资料来源，方便用户核验。

常见失败原因

回答不准，可能不是模型差，而是检索没找到正确片段。检索到了但回答仍错，可能是提示词没有限制模型必须基于资料。资料过期，也会导致答案过期。

调优方向

先看检索结果，再看生成结果。调整切分大小、加入标题和元数据、使用混合检索、增加重排、限制回答来源、设置“不知道就说不知道”。

权限问题

企业 RAG 必须做权限过滤。用户只能检索自己有权看的文档。不要把所有文档放进一个无权限隔离的索引里。

小型项目建议

先用 20 到 50 个真实问题测试。每个问题记录：是否检索到正确片段、回答是否引用来源、是否编造。这个测试集比盲目换模型更有价值。