RAG效果不佳常因检索而非生成，换模型换库事倍功半。本文聚焦工程实践，提供5个高ROI策略，从检索链路入手，系统性地提升RAG稳定性与效果。
智能速览
RAG的瓶颈常在于检索，而非生成环节。
采用多向量检索，为内容提供不同“检索入口”，扩展至多模态。
利用标量字段进行过滤或重排，让检索结果从相似走向可控。
通过增加上下文信息，避免因信息片段切断导致的误读。
集成BM25与向量检索，互补关键词匹配与语义理解的短板。
精华内容
以下是五个在工程中被验证行之有效的策略，它们分别对应RAG检索链路中的不同痛点，帮助系统性地构建更稳定的检索能力。
多向量检索
该策略的核心是将用于检索的表示和用于回答的原文解耦，为同一份内容提供多种“检索入口”。例如，在表格场景中，用内容总结进行检索，用原始表格数据进行回答，总结易于召回，而回答需要精确字段。
这种方式能有效处理表格、图片等半结构化和多模态内容，解决了单一向量难以覆盖全部检索意图的问题。
人工增强数据
与其追求全自动的数据摄取，不如投入人工进行数据切分和打标。这一步的目标是先用人工把检索需要的结构和语义做扎实，为后续的向量、排序和重排打好基础。
只需先标注最核心、最具价值的标签，如实体、业务线、关键词，这些标签即可用于后续的标量增强和路由策略，直接影响线上效果。
标量控制检索
这里的“标量”指时间、来源、质量分、业务线等非向量元数据。将检索从“相似”走向“可控”，关键在于利用这些标量字段。
做法一是先过滤再检索，利用元数据缩小候选范围。做法二是召回后重打分，结合向量相似度分数和业务优先级分数进行综合排序，让结果更符合业务逻辑。
上下文防误读
增强上下文并非简单塞入更多文本，而是为每个检索单元带上必要背景，避免“孤句误读”。当证据不自洽时，模型即便召回也容易误解。
实现方式包括：Embedding前拼接标题、章节名等轻量上下文；召回后扩展父节点或前后窗口；以及采用树检索等结构化索引，模拟人类先定位目录再查看内容的习惯。
集成BM25
纯向量检索在面对包含编号、字段名的精确查询时常会失效，此时经典的BM25算法能提供精确的关键词匹配能力，有效补足向量检索的短板。
工程上可采用并行召回后合并去重重排，或适用于超大规模语料的两段式检索：用BM25做第一阶段粗筛，再用向量做第二阶段精排，平衡召回与成本。
评估与实施
这五个策略可以按需分阶段实施，且在实际生产中往往是叠加使用，形成一个综合体系：BM25兜底精确匹配，向量负责语义召回，标量控制业务边界，上下文确保证据可读，多向量则处理多形态内容。
评估时，建议重点关注“无答案率”和“引用可追溯性”，这两个指标最能真实反映检索链路的健康状况。
优化RAG是一场系统工程，而非单点突破。这五个策略共同构建了一个更稳健、可控的检索链路。你的RAG系统，是否已经从单纯的相似度匹配，进化到了多维度综合判断的阶段？
