为什么需要 RAG
大模型的知识来自训练数据，有两个硬伤：时间滞后（不知道训练截止之后发生的事）与领域缺失（不了解你的内部文档）。重新训练成本高、见效慢；RAG（检索增强生成）的做法更直接：回答问题前，先从你的资料里检索出相关片段，放进上下文，让模型基于这些片段作答。
最小流程
- 切分：按语义把文档切成 200–800 字的片段，避免整篇塞入；
- 向量化：用嵌入模型把片段转成向量，存入向量库；
- 检索：把用户问题也向量化，取相似度最高的 3–8 个片段；
- 重排（可选）：用更精细的模型对候选重新排序，提升命中率；
- 组装提示：片段 + 问题 + 约束（只依据片段作答，缺失就说明）；
- 引用回溯：输出时标注片段来源，便于人工核验。
上下文窗口不是越大越好
| 做法 | 优点 | 代价 |
|---|---|---|
| 长上下文全量塞入 | 实现简单 | 费用高、延迟长，关键信息易被淹没 |
| 检索 top-k 片段 | 成本低、聚焦 | 依赖检索质量，漏召回就没救 |
| 检索 + 重排 | 命中率更高 | 多一次调用，工程复杂度上升 |
实践中常提到「中间失效」：很长的上下文里，模型对开头与结尾最敏感，中间内容容易被忽略。因此把关键片段放在提示的前部或末尾，往往比单纯加长上下文更有效。
五个常见坑
- 切片破坏语义：按固定字数硬切会截断表格与代码块，应按段落/标题切分并保留少量重叠；
- 只做向量检索：对型号、编号、人名等精确匹配很差，应与关键词检索（如 BM25）混合；
- 不更新索引：文档改了但向量库没重建，答案会引用过期内容；
- 没有引用标注：无法核验来源，也难以定位是检索错还是生成错；
- 忽略权限过滤：检索阶段未做权限控制，会把用户无权查看的内容带进答案。
如何验证效果
- 准备 30–50 个真实问题与标准答案，其中要包含「文档里没有」的情况；
- 分别评估检索命中率与最终答案正确率，以定位问题出在检索还是生成；
- 重点看「该说不知道时是否说了」——自信的错误答案比拒答更危险。
常见问题
RAG 能消除幻觉吗？能显著降低凭空编造，但不能根除：片段可能过时、不相关，模型也可能误读。必须上向量数据库吗？不必。片段量小（几千条）时用普通数据库或内存检索即可，规模上来后再引入专用向量库。和微调怎么选？要注入事实知识用 RAG，要改变输出风格与格式用微调，两者可以叠加。
动手试试：JSON 格式化与校验（校验检索结果的结构化输出）
分块与检索质量
- 按语义分块：优先按标题与段落切分，避免把一句话从中间截断；块大小通常在 200–500 字之间做实验；
- 加重叠：相邻块留 10%–20% 重叠，能显著减少“答案正好跨在边界上”的检索失败；
- 元数据过滤：给每块带上来源、时间与权限标签，先过滤再检索，避免召回无权访问的内容；
- 评估要可量化：准备一组“问题 → 期望命中文档”的样本，改动分块策略后跑一遍，别凭感觉判断好坏。
上下文里的优先级
窗口有限时要有明确的取舍顺序：系统指令 → 当前任务与约束 → 检索到的证据 → 历史对话。历史对话最容易被截断，因此关键结论应写进任务描述或备注，而不是依赖“之前说过”。
过滤与检索的顺序
先用元数据过滤缩小范围，再做向量检索，通常比“先全库召回再过滤”效果更好：既能提升相关性，也避免召回大量无权访问的内容后才发现需要丢弃。检索数量（top-k）不宜过大，过多无关片段会稀释关键证据，反而降低回答质量。