很多团队在构建智能体时会遇到RAG效果不佳的问题，往往误以为是向量库不够大。其实核心在于缺乏“检索质量闭环”。通过拆解切分、召回、重排和引用四个环节，并建立持续迭代机制，才能彻底解决回答不准、引用错误等痛点，让智能体更稳定。
智能速览
RAG效果差的根因往往不是技术概念问题，而是检索链路缺乏验证与迭代。
应将RAG拆解为切分、召回、重排、引用四个可控环节进行优化。
采用混合检索策略，结合向量召回与关键词召回以补齐实体信息。
输出必须包含citations字段，确保答案来源可追溯，便于定位影响范围。
建立闭环评估机制，通过自动回归测试实现系统的持续迭代。
精华内容
RAG并非一次搭建即结束的静态系统，而是一个需要持续验证和迭代的工程系统。要提升检索质量，关键在于建立闭环。
切分策略
文本分块直接影响召回粒度。切分过大导致召回太粗，难以精准定位；切分过小则导致语义碎片化，丢失上下文关联。合理的分块策略需在信息完整性与检索精度间找到平衡点，这是高质量检索的基础。
混合召回
单纯依赖向量召回容易漏掉数字、专有名词、型号等关键实体信息。建议采用向量召回加关键词召回的混合策略：利用向量召回解决语义理解问题，同时用关键词召回补齐实体信息，确保检索结果既全面又准确。
重排优化
仅靠召回难以保证TopK结果的相关性。引入重排模型或规则，对初次召回结果进行二次排序，能有效提升最终喂给大模型的内容质量。重排环节是过滤噪音、提升准确率的关键一环，不可省略。
引用追溯
企业场景对答案正确性要求极高，必须强制可追溯。输出中应包含citations字段，记录引用段落的ID、标题及更新时间。这不仅便于验证答案来源，也能在内容变更时快速定位影响范围，支撑自动化回归测试。
RAG系统的建设本质上是一项工程管理挑战，而非简单的技术堆砌。只有建立从切分到评估的完整质量闭环，持续迭代优化，才能让智能体在面对复杂问题时给出稳定、可靠的回答，真正发挥RAG的价值。
