Retrieval Augmented Generation（RAG）实战体系：从检索到答案

定义

RAG 是将外部知识检索结果注入提示词再生成答案的模式，是提升领域问答准确率的主流路径。

Core Concepts

• Chunking（分块）
• Embedding（向量化）
• Retrieval（召回）
• Reranking（重排）
• Grounded Generation（有依据生成）

标准架构

1. 数据清洗与切分
2. 向量索引
3. 在线召回与重排
4. 证据约束生成
5. 评测与持续优化

评估

• Retrieval: Recall@k、MRR、噪声比
• Generation: 事实正确率、引用一致率、拒答质量

References

1. https://developers.openai.com/api/docs/guides/optimizing-llm-accuracy
2. https://docs.langchain.com/oss/python/integrations/document_loaders/needle
3. https://arxiv.org/abs/2005.11401

FAQ

RAG 的第一优化点是什么？

通常先优化检索质量：分块策略、召回策略与重排效果。

为什么 RAG 仍会答错？

可能是检索到错误上下文，也可能是模型未忠实使用证据生成。

RAG 应如何评估？

同时评估检索指标与生成指标，并进行端到端任务成功率评测。