提升RAG系统的召回率与准确率是一个系统性工程，无法通过单一优化解决。本文从嵌入模型、分块策略、重排序、查询扩展及元数据五个核心环节出发，提供一套完整且可落地的优化方案，助你构建更高效的RAG应用。
智能速览
优化嵌入模型是提升语义理解的基础。
动态分块策略能更好地保留文档上下文。
重排序模型是提升准确率的高性价比手段。
查询扩展可以有效解决语义鸿沟问题。
利用元数据过滤能精准缩小检索范围。
精华内容
要系统性地提升RAG效果，必须深入其工作流水线，从数据到查询的每一步进行精细打磨。
优化嵌入模型
选择与业务领域及语言匹配的先进模型是第一步。例如，中文场景可选用bge-large-zh-v1.5，英文则可考虑text-embedding-ada-002。更进一步，通过领域适配微调，使用特定行业数据对通用模型进行训练，能让模型更懂专业术语，显著提升对专业内容的召回能力。
精细化分块
文档分块策略没有万能公式，需根据文档类型和查询模式灵活调整。尝试不同的块大小与块重叠，以避免上下文在边界被切断。更高级的方案是采用语义分块，它基于内容的嵌入相似性来动态决定分块边界，相比固定的按段落或句子分块，能更完整地保留语义单元。
引入重排序
初次召回的Top-K文档中，可能包含大量仅语义相关但对答案生成无用的信息。引入重排序模型，如bge-reranker这类交叉编码器，能对Query与每个召回文档进行精细化的相关性打分。通过二次筛选，只将最相关的Top-N文档（例如从100个中选5个）送入大模型，能以极高性价比大幅提升最终答案的准确率。
扩展查询
用户的查询往往简短模糊，导致召回效果不佳。查询扩展技术能巧妙应对。HyDE方法先让LLM生成一个假设性答案文档，再用其进行检索。多查询检索则是生成多个不同角度的问题并行检索，最后合并结果。查询改写则直接将模糊问题（如“它怎么样？”）扩充为具体问题。
元数据过滤
为文档块添加来源、日期、章节标题等元数据，是提升召回精准度的关键。在检索时，结合元数据过滤器（如限定创建时间或文档来源），可以在语义搜索前大幅缩小候选范围，有效过滤掉无关信息，确保召回结果更贴合用户的实际意图。
RAG优化是一个涉及多环节的持续过程。从嵌入到查询，每一步的精细调整都能带来性能的显著提升。掌握这些核心策略后，如何根据具体业务场景组合运用，将是构建下一代智能应用的关键。你的RAG系统还有哪些优化空间？
