RAG系统常因“找不准”、“找不全”而效果不佳。本文提供了一套从数据源头、用户查询到检索机制的系统性优化方案，通过智能分块、查询扩展和混合检索等策略，从根源解决问题，显著提升检索召回率与准确性。
智能速览
智能分块是高质量检索的第一步，需按语义断点切分文档。
父文档检索器先匹配摘要再返回全文，兼顾精准与上下文。
利用大模型生成QA对，能应对多样化的用户提问方式。
查询扩展与RRF算法，能有效提升模糊问题的命中率。
混合检索结合向量与关键词搜索，实现召回更全面、排序更准确。
精华内容
要提升RAG检索的召回率和准确率，需要系统性地优化数据源、用户查询和检索机制这三个核心环节，每个环节都有其独特的价值和实现策略。
优化数据源
高质量检索始于优质的数据原料。首先，应摒弃“一刀切”的文档分块方式，采用智能分块策略，如基于NLP算法或大模型的语义分块，或适合事实问答的句子级分块，确保每个文本块都是独立的语义单元。
其次，可以引入父文档检索器。索引时将文档切分为句子级小块进行精准匹配，但返回时提供其所属的完整段落或页面。这种方法如同先查图书目录再阅读正文，特别适合技术文档和法律条文等需要上下文支撑的场景。
此外，一个王牌策略是利用大模型为文档生成潜在的问答对。用户提问方式千变万化，直接匹配易遗漏。通过为每段文档生成用户可能提出的问题并建库，检索时匹配问题库即可返回对应原文，极大提升了召回率。
理解用户查询
用户的提问往往模糊、口语化，直接检索成功率低。解决方案是利用大模型进行查询扩展，将一个原始问题扩展为多个不同角度但语义相近的子问题，然后并行检索并合并结果。
面对多个查询结果，简单的拼接会引入噪音。此时可采用RRF（倒数排序融合）算法，该算法的核心思想是：如果一个文档在多个查询中排名都靠前，那么它大概率是真正相关的，应获得更高的权重。这就像多位评委一致认可的选手才是真正的优胜者。
对于过于具体的专业问题，可以引入查询抽象，即让大模型将具体问题抽象成更高层次的问题，以获取更广泛的背景知识，从而避免检索陷入困境。
混合检索策略
纯向量搜索擅长理解语义，但对精确词语（如LCEL、缩写、大小写）不敏感。为解决此痛点，最佳实践是采用混合检索。
混合检索结合了两种方式：一是向量搜索，用于匹配语义相近的内容；二是关键词搜索（如BM25算法），用于锁定精确的词项匹配。最后通过一个加权融合器将两者的结果合并，例如向量权重60%，关键词权重40%。
这种方式既保留了语义理解的优势，又弥补了关键词匹配的短板，使得系统的召回更全面，排序更准确，鲁棒性也更强。
掌握从优化数据源、理解用户查询到选择混合检索工具的策略，是提升RAG系统性能的关键。这些方法能从根本上解决“找不准、找不全”的问题。下一步，结合更精细的重排序模型，将使检索结果更贴近用户真实需求，让RAG系统的应用效果迎来质的飞跃。
关键评论
有用户反馈，将关键词查询“询价资料”转为语义查询“我想了解询价资料相关的内容”后，召回效果反而下降，寻求更好的关键词提取方案。
