关于 RAG 的十个核心问题

• RAG 是什么：检索增强生成，给大模型「开卷考试」，让它的回答基于真实文档

• 工作流程：分索引阶段（离线建库）和查询阶段（在线检索+生成）

• 微调 vs RAG：微调是「内化知识」，RAG 是「外挂参考书」，两者互补

• 文档切割：从固定大小到语义切割，推荐先用递归字符切割起步

• Re-rank：用 Cross-Encoder 对检索结果做精排，准确率提升 30-50%

• Embedding：从 Word2Vec 到 BERT 再到 BGE-M3，技术不断演进

• 向量数据库：Milvus、Pinecone、Weaviate 等各有侧重，按需选型

• 多路召回：向量检索 + BM25 混合检索，效果比单路好 10-30%

• 效果量化：用 RAGAS 等框架评估 Faithfulness、Relevance 等核心指标

• 大模型幻觉：RAG 是降低幻觉的核心手段，但不能完全消除，需要组合策略