RAG系统常因检索不准而效果不佳。本文深入剖析其根源，从文档切分的四种方法到混合检索与Rerank策略，提供了一套可落地的优化方案，助你将RAG准确率从60%提升至90%以上。
智能速览
文档切分质量直接决定RAG系统的效果上限。
语义切分在保持上下文完整性方面表现最佳，获得五星推荐。
精心设计元数据是实现精准过滤与排序的关键。
检索策略从单纯向量检索演进到混合检索，准确率提升23%。
引入Rerank重排序，在专业领域能将准确率从72%提升至89%。
精华内容
文档切分与检索是RAG系统的核心，其优化过程并非一蹴而就，而是需要精细化的策略选择与持续的迭代。
文档切分方法
文档切分是决定RAG效果上界的第一步，其质量直接影响信息检索的准确性。好的切分能保持语义完整，准确率可达50%以上；而差的切分因截断语义、信息分散，准确率可能不足50%。
主流方法有四种：固定长度切分，按字符数切分，简单高效但可能截断语义，适合通用文档，评为三星。语义切分，按段落或章节切分，能最大限度保持语义完整，虽时间复杂度稍高，但效果最佳，获得五星推荐。递归切分，是一种多级切分策略，能平衡块大小和语义关系，但调参较为麻烦，评为四星。专用切分，针对代码、表格等特定格式进行结构化保留，同样获得四星推荐。
元数据设计
切分完成后，设计完善的元数据是提升检索效率的加速器。元数据是后续进行信息过滤和排序的基础。
核心元数据属于必填项，包括source（文档来源）、title（文档标题）、chapter（章节标题）、page（页码）和tag（标签）。实用元数据则用于支持更复杂的场景，如created_at（创建时间）、updated_at（更新时间）和department（分类部门），可用于时效性过滤和权限控制。例如，通过元数据可以精准限定只在“redis技术手册.pdf”中搜索包含“分布式锁”标签的内容，极大提升了定位精准度。
检索策略演进
检索策略的演进是RAG系统性能提升的核心驱动力，大致可分为四个阶段。
第一代是简单的向量检索，准确率约为65%。第二代采用Top-k检索策略，通过筛选最相似的k个结果，将准确率提升至78%。第三代是混合检索，结合了向量检索和关键词检索，准确率跃升至88%。第四代则是在混合检索基础上增加了Rerank重排序，准确率最终能达到95%。从65%到95%，这一质的飞跃体现了技术迭代的巨大价值。
混合检索与Rerank
混合检索的核心思想是取长补短。向量检索擅长捕捉语义相似性，但对精确匹配不敏感；而关键词检索（如BM25算法）擅长精确匹配，但语义理解能力弱。两者结合，例如按0.5的权重进行线性加权，能同时兼顾语义和关键词匹配。
Rerank则采用两阶段检索策略。第一阶段是粗排，使用向量检索快速从海量数据中筛选出Top 100候选集，耗时约20毫秒。第二阶段是精排，使用专门的Rerank模型（如BGE Rerank）对这100个候选进行重新打分和排序，最终选出Top 10，耗时约180毫秒。虽然增加了延迟，但在专业文档领域，准确率能从72%提升17个百分点至89%，性能增益显著。
掌握文档切分与检索策略，是突破RAG性能瓶颈的关键。从语义切分到混合检索，再到Rerank重排序，每一步都为准确率带来质的飞跃。在你的项目中，还有哪些独特的优化技巧呢？
