RAG 的价值是让模型在回答前先查资料。真正影响效果的往往不是向量数据库品牌，而是文档是否干净、切分是否合理、检索结果是否相关，以及答案能否回到原文核验。
QUICK CHECK
开始前，先完成这 4 项检查
01
清理重复、过期和权限不明的文档。
02
按语义边界切分，并保留标题与来源。
03
准备真实问题作为检索测试集。
04
要求答案给出可追溯引用。
SECTION 01
先把检索链路跑通
基础链路包括文档解析、切分、嵌入、召回、重排、上下文组装和答案生成。每一层都应记录输入输出，避免只看最后一句答案判断系统好坏。
SECTION 02
用问题集评估，而不是凭感觉
从真实业务中收集问题，分别检查正确文档是否被召回、排序是否靠前、答案是否忠于资料。检索失败与生成失败应分开统计。
- 召回覆盖率
- 前几条结果相关性
- 引用准确率
- 无答案时的拒答表现
FAQ
常见问题
RAG 一定需要向量数据库吗？＋
不一定。数据量较小时，关键词检索或混合检索也可能更简单有效。
切分块越小越好吗？＋
不是。过小会丢失语义，过大又会引入噪声，应通过真实问题测试。
继续建立完整知识体系
查看全部专题 ↗从相关专题继续深入学习
按模型、数据、工作流、评估和安全逐步扩展自己的 AI 工程方法。