JAVA 高级进阶18篇《生产级RAG：切分、检索、评估与Graph RAG全链路实战》

「Java高级技能提升系列」第18篇（全20篇）· 面向2026年中高级Java岗面试 · 专栏持续更新，欢迎关注

生产级RAG：切分、检索、评估与Graph RAG全链路实战

【场景引入】

面试题：某跨境电商二面面试官："我们企业知识库有50万份文档，用户问'2023年Q4华南区销售冠军产品是什么'，RAG系统怎么保证准确回答？如果召回准确率只有61%，你会怎么优化？"

自查清单：你能答到哪一层？

❌ 基础层：知道RAG是检索增强生成
⚠️ 进阶层：了解向量检索、文档切分、重排序
✅ 专家层：掌握混合检索策略、评估指标体系、幻觉治理手段、Graph RAG多跳推理

线上实际情况是：我见过太多工程师只停留在"用向量数据库存embedding"的层面，面对生产级问题（召回率低、幻觉、评估困难）直接傻眼。面试官真正想考察的是：你能不能系统性地解决RAG从数据到服务的全链路问题。

【原理图解】

RAG全链路架构

一句话结论：RAG不是简单的"向量数据库+大模型"，而是环环相扣的精密系统。
#mermaid-svg-X41Ctrl5KJpvxVp3{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-X41Ctrl5KJpvxVp3 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-X41Ctrl5KJpvxVp3 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-X41Ctrl5KJpvxVp3 .error-icon{fill:#552222;}#mermaid-svg-X41Ctrl5KJpvxVp3 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-X41Ctrl5KJpvxVp3 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-X41Ctrl5KJpvxVp3 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-X41Ctrl5KJpvxVp3 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-X41Ctrl5KJpvxVp3 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-X41Ctrl5KJpvxVp3 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-X41Ctrl5KJpvxVp3 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-X41Ctrl5KJpvxVp3 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-X41Ctrl5KJpvxVp3 .marker.cross{stroke:#333333;}#mermaid-svg-X41Ctrl5KJpvxVp3 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-X41Ctrl5KJpvxVp3 p{margin:0;}#mermaid-svg-X41Ctrl5KJpvxVp3 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-X41Ctrl5KJpvxVp3 .cluster-label text{fill:#333;}#mermaid-svg-X41Ctrl5KJpvxVp3 .cluster-label span{color:#333;}#mermaid-svg-X41Ctrl5KJpvxVp3 .cluster-label span p{background-color:transparent;}#mermaid-svg-X41Ctrl5KJpvxVp3 .label text,#mermaid-svg-X41Ctrl5KJpvxVp3 span{fill:#333;color:#333;}#mermaid-svg-X41Ctrl5KJpvxVp3 .node rect,#mermaid-svg-X41Ctrl5KJpvxVp3 .node circle,#mermaid-svg-X41Ctrl5KJpvxVp3 .node ellipse,#mermaid-svg-X41Ctrl5KJpvxVp3 .node polygon,#mermaid-svg-X41Ctrl5KJpvxVp3 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-X41Ctrl5KJpvxVp3 .rough-node .label text,#mermaid-svg-X41Ctrl5KJpvxVp3 .node .label text,#mermaid-svg-X41Ctrl5KJpvxVp3 .image-shape .label,#mermaid-svg-X41Ctrl5KJpvxVp3 .icon-shape .label{text-anchor:middle;}#mermaid-svg-X41Ctrl5KJpvxVp3 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-X41Ctrl5KJpvxVp3 .rough-node .label,#mermaid-svg-X41Ctrl5KJpvxVp3 .node .label,#mermaid-svg-X41Ctrl5KJpvxVp3 .image-shape .label,#mermaid-svg-X41Ctrl5KJpvxVp3 .icon-shape .label{text-align:center;}#mermaid-svg-X41Ctrl5KJpvxVp3 .node.clickable{cursor:pointer;}#mermaid-svg-X41Ctrl5KJpvxVp3 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-X41Ctrl5KJpvxVp3 .arrowheadPath{fill:#333333;}#mermaid-svg-X41Ctrl5KJpvxVp3 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-X41Ctrl5KJpvxVp3 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-X41Ctrl5KJpvxVp3 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-X41Ctrl5KJpvxVp3 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-X41Ctrl5KJpvxVp3 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-X41Ctrl5KJpvxVp3 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-X41Ctrl5KJpvxVp3 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-X41Ctrl5KJpvxVp3 .cluster text{fill:#333;}#mermaid-svg-X41Ctrl5KJpvxVp3 .cluster span{color:#333;}#mermaid-svg-X41Ctrl5KJpvxVp3 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-X41Ctrl5KJpvxVp3 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-X41Ctrl5KJpvxVp3 rect.text{fill:none;stroke-width:0;}#mermaid-svg-X41Ctrl5KJpvxVp3 .icon-shape,#mermaid-svg-X41Ctrl5KJpvxVp3 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-X41Ctrl5KJpvxVp3 .icon-shape p,#mermaid-svg-X41Ctrl5KJpvxVp3 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-X41Ctrl5KJpvxVp3 .icon-shape .label rect,#mermaid-svg-X41Ctrl5KJpvxVp3 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-X41Ctrl5KJpvxVp3 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-X41Ctrl5KJpvxVp3 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-X41Ctrl5KJpvxVp3 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 原始文档
文档预处理
文档切分
文本向量化
向量存储
用户查询
查询向量化
向量检索
重排序
结果组装
LLM生成
最终回答

核心结论：RAG的每个环节都像多米诺骨牌，一个环节失误就会导致最终答案质量崩塌。我们团队踩过的坑就是：文档切分不当，后面全白做。

文档切分策略对比

一句话结论：切分策略决定了RAG系统的性能上限，选错方向再努力也徒劳。
#mermaid-svg-HLJaDkwd6hfx0Ta8{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .error-icon{fill:#552222;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .marker.cross{stroke:#333333;}#mermaid-svg-HLJaDkwd6hfx0Ta8 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-HLJaDkwd6hfx0Ta8 p{margin:0;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .cluster-label text{fill:#333;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .cluster-label span{color:#333;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .cluster-label span p{background-color:transparent;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .label text,#mermaid-svg-HLJaDkwd6hfx0Ta8 span{fill:#333;color:#333;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .node rect,#mermaid-svg-HLJaDkwd6hfx0Ta8 .node circle,#mermaid-svg-HLJaDkwd6hfx0Ta8 .node ellipse,#mermaid-svg-HLJaDkwd6hfx0Ta8 .node polygon,#mermaid-svg-HLJaDkwd6hfx0Ta8 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .rough-node .label text,#mermaid-svg-HLJaDkwd6hfx0Ta8 .node .label text,#mermaid-svg-HLJaDkwd6hfx0Ta8 .image-shape .label,#mermaid-svg-HLJaDkwd6hfx0Ta8 .icon-shape .label{text-anchor:middle;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .rough-node .label,#mermaid-svg-HLJaDkwd6hfx0Ta8 .node .label,#mermaid-svg-HLJaDkwd6hfx0Ta8 .image-shape .label,#mermaid-svg-HLJaDkwd6hfx0Ta8 .icon-shape .label{text-align:center;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .node.clickable{cursor:pointer;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .arrowheadPath{fill:#333333;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-HLJaDkwd6hfx0Ta8 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-HLJaDkwd6hfx0Ta8 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-HLJaDkwd6hfx0Ta8 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .cluster text{fill:#333;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .cluster span{color:#333;}#mermaid-svg-HLJaDkwd6hfx0Ta8 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-HLJaDkwd6hfx0Ta8 rect.text{fill:none;stroke-width:0;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .icon-shape,#mermaid-svg-HLJaDkwd6hfx0Ta8 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .icon-shape p,#mermaid-svg-HLJaDkwd6hfx0Ta8 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .icon-shape .label rect,#mermaid-svg-HLJaDkwd6hfx0Ta8 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-HLJaDkwd6hfx0Ta8 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-HLJaDkwd6hfx0Ta8 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-HLJaDkwd6hfx0Ta8 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 切分策略选择
定长切分
语义切分
结构感知切分
优点: 简单可控
缺点: 上下文断裂
优点: 保持语义完整
缺点: 切分粒度不均
优点: 利用文档结构
缺点: 依赖解析器
适用场景: 简单文档
适用场景: 技术文档
适用场景: PDF/Word

为什么这样设计：线上真实情况是，纯定长切分会让长文档变成"语义碎片"，纯语义切分又会导致检索粒度混乱。我们踩过坑后才明白：结构感知+语义增强才是王道。

混合检索+重排序流程

一句话结论：单一检索方式无法满足生产需求，混合检索才是正解。
LLM 重排序模型 BM25检索向量检索查询引擎用户 LLM 重排序模型 BM25检索向量检索查询引擎用户 #mermaid-svg-kGwINXYTva4W1Z9z{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-kGwINXYTva4W1Z9z .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-kGwINXYTva4W1Z9z .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-kGwINXYTva4W1Z9z .error-icon{fill:#552222;}#mermaid-svg-kGwINXYTva4W1Z9z .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-kGwINXYTva4W1Z9z .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-kGwINXYTva4W1Z9z .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-kGwINXYTva4W1Z9z .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-kGwINXYTva4W1Z9z .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-kGwINXYTva4W1Z9z .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-kGwINXYTva4W1Z9z .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-kGwINXYTva4W1Z9z .marker{fill:#333333;stroke:#333333;}#mermaid-svg-kGwINXYTva4W1Z9z .marker.cross{stroke:#333333;}#mermaid-svg-kGwINXYTva4W1Z9z svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-kGwINXYTva4W1Z9z p{margin:0;}#mermaid-svg-kGwINXYTva4W1Z9z .actor{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-kGwINXYTva4W1Z9z text.actor>tspan{fill:black;stroke:none;}#mermaid-svg-kGwINXYTva4W1Z9z .actor-line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-kGwINXYTva4W1Z9z .innerArc{stroke-width:1.5;stroke-dasharray:none;}#mermaid-svg-kGwINXYTva4W1Z9z .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333;}#mermaid-svg-kGwINXYTva4W1Z9z .messageLine1{stroke-width:1.5;stroke-dasharray:2,2;stroke:#333;}#mermaid-svg-kGwINXYTva4W1Z9z #arrowhead path{fill:#333;stroke:#333;}#mermaid-svg-kGwINXYTva4W1Z9z .sequenceNumber{fill:white;}#mermaid-svg-kGwINXYTva4W1Z9z #sequencenumber{fill:#333;}#mermaid-svg-kGwINXYTva4W1Z9z #crosshead path{fill:#333;stroke:#333;}#mermaid-svg-kGwINXYTva4W1Z9z .messageText{fill:#333;stroke:none;}#mermaid-svg-kGwINXYTva4W1Z9z .labelBox{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-kGwINXYTva4W1Z9z .labelText,#mermaid-svg-kGwINXYTva4W1Z9z .labelText>tspan{fill:black;stroke:none;}#mermaid-svg-kGwINXYTva4W1Z9z .loopText,#mermaid-svg-kGwINXYTva4W1Z9z .loopText>tspan{fill:black;stroke:none;}#mermaid-svg-kGwINXYTva4W1Z9z .loopLine{stroke-width:2px;stroke-dasharray:2,2;stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-kGwINXYTva4W1Z9z .note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-kGwINXYTva4W1Z9z .noteText,#mermaid-svg-kGwINXYTva4W1Z9z .noteText>tspan{fill:black;stroke:none;}#mermaid-svg-kGwINXYTva4W1Z9z .activation0{fill:#f4f4f4;stroke:#666;}#mermaid-svg-kGwINXYTva4W1Z9z .activation1{fill:#f4f4f4;stroke:#666;}#mermaid-svg-kGwINXYTva4W1Z9z .activation2{fill:#f4f4f4;stroke:#666;}#mermaid-svg-kGwINXYTva4W1Z9z .actorPopupMenu{position:absolute;}#mermaid-svg-kGwINXYTva4W1Z9z .actorPopupMenuPanel{position:absolute;fill:#ECECFF;box-shadow:0px 8px 16px 0px rgba(0,0,0,0.2);filter:drop-shadow(3px 5px 2px rgb(0 0 0 / 0.4));}#mermaid-svg-kGwINXYTva4W1Z9z .actor-man line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-kGwINXYTva4W1Z9z .actor-man circle,#mermaid-svg-kGwINXYTva4W1Z9z line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;stroke-width:2px;}#mermaid-svg-kGwINXYTva4W1Z9z :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} "2023年Q4华南区销售冠军产品" 向量相似度检索 BM25关键词检索返回TopK向量结果返回TopK关键词结果 RRF融合排序融合后排序结果构建Prompt 生成回答最终答案

关键设计：RRF算法解决了传统加权方法的分数对比难题，通过排名打分实现多模态结果的智能融合。我们团队用过加权平均，结果被业务方吐槽"结果根本不对"。

RAGAS评估指标关系

一句话结论：没有评估体系的RAG系统就像盲人摸象，注定要翻车。
#mermaid-svg-hVG1EIn9OrAl5gxj{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-hVG1EIn9OrAl5gxj .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-hVG1EIn9OrAl5gxj .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-hVG1EIn9OrAl5gxj .error-icon{fill:#552222;}#mermaid-svg-hVG1EIn9OrAl5gxj .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-hVG1EIn9OrAl5gxj .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-hVG1EIn9OrAl5gxj .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-hVG1EIn9OrAl5gxj .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-hVG1EIn9OrAl5gxj .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-hVG1EIn9OrAl5gxj .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-hVG1EIn9OrAl5gxj .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-hVG1EIn9OrAl5gxj .marker{fill:#333333;stroke:#333333;}#mermaid-svg-hVG1EIn9OrAl5gxj .marker.cross{stroke:#333333;}#mermaid-svg-hVG1EIn9OrAl5gxj svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-hVG1EIn9OrAl5gxj p{margin:0;}#mermaid-svg-hVG1EIn9OrAl5gxj .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-hVG1EIn9OrAl5gxj .cluster-label text{fill:#333;}#mermaid-svg-hVG1EIn9OrAl5gxj .cluster-label span{color:#333;}#mermaid-svg-hVG1EIn9OrAl5gxj .cluster-label span p{background-color:transparent;}#mermaid-svg-hVG1EIn9OrAl5gxj .label text,#mermaid-svg-hVG1EIn9OrAl5gxj span{fill:#333;color:#333;}#mermaid-svg-hVG1EIn9OrAl5gxj .node rect,#mermaid-svg-hVG1EIn9OrAl5gxj .node circle,#mermaid-svg-hVG1EIn9OrAl5gxj .node ellipse,#mermaid-svg-hVG1EIn9OrAl5gxj .node polygon,#mermaid-svg-hVG1EIn9OrAl5gxj .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-hVG1EIn9OrAl5gxj .rough-node .label text,#mermaid-svg-hVG1EIn9OrAl5gxj .node .label text,#mermaid-svg-hVG1EIn9OrAl5gxj .image-shape .label,#mermaid-svg-hVG1EIn9OrAl5gxj .icon-shape .label{text-anchor:middle;}#mermaid-svg-hVG1EIn9OrAl5gxj .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-hVG1EIn9OrAl5gxj .rough-node .label,#mermaid-svg-hVG1EIn9OrAl5gxj .node .label,#mermaid-svg-hVG1EIn9OrAl5gxj .image-shape .label,#mermaid-svg-hVG1EIn9OrAl5gxj .icon-shape .label{text-align:center;}#mermaid-svg-hVG1EIn9OrAl5gxj .node.clickable{cursor:pointer;}#mermaid-svg-hVG1EIn9OrAl5gxj .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-hVG1EIn9OrAl5gxj .arrowheadPath{fill:#333333;}#mermaid-svg-hVG1EIn9OrAl5gxj .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-hVG1EIn9OrAl5gxj .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-hVG1EIn9OrAl5gxj .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-hVG1EIn9OrAl5gxj .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-hVG1EIn9OrAl5gxj .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-hVG1EIn9OrAl5gxj .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-hVG1EIn9OrAl5gxj .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-hVG1EIn9OrAl5gxj .cluster text{fill:#333;}#mermaid-svg-hVG1EIn9OrAl5gxj .cluster span{color:#333;}#mermaid-svg-hVG1EIn9OrAl5gxj div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-hVG1EIn9OrAl5gxj .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-hVG1EIn9OrAl5gxj rect.text{fill:none;stroke-width:0;}#mermaid-svg-hVG1EIn9OrAl5gxj .icon-shape,#mermaid-svg-hVG1EIn9OrAl5gxj .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-hVG1EIn9OrAl5gxj .icon-shape p,#mermaid-svg-hVG1EIn9OrAl5gxj .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-hVG1EIn9OrAl5gxj .icon-shape .label rect,#mermaid-svg-hVG1EIn9OrAl5gxj .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-hVG1EIn9OrAl5gxj .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-hVG1EIn9OrAl5gxj .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-hVG1EIn9OrAl5gxj :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} RAGAS评估体系
检索质量
生成质量
整体性能
Faithfulness: 事实一致性
Answer Relevancy: 回答相关性
Context Precision: 上下文精准度
Answer Correctness: 回答正确性
Aspect Critique: 维度评价
Response Time: 响应时间
Cost Efficiency: 成本效率

评估逻辑：RAGAS最大的价值是"无需预置标注"，通过LLM-as-Judge实现自动化评估。我们之前用人工标注，50万文档的知识库标注了3个月，结果上线一周就发现评估体系有问题。

Naive RAG vs Graph RAG对比

一句话结论：Graph RAG适合复杂场景，但成本高昂，需要权衡利弊。

维度	Naive RAG	Graph RAG
适用场景	单文档查询	多跳推理查询
准确率	61-75%	85-95%
构建成本	低	高（10-50倍）
查询复杂度	O(1)	O(n)
典型案例	产品文档查询	跨部门业务流程分析
技术栈	向量数据库	知识图谱+向量数据库

#mermaid-svg-7TtnGb6ZY7JETers{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-7TtnGb6ZY7JETers .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-7TtnGb6ZY7JETers .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-7TtnGb6ZY7JETers .error-icon{fill:#552222;}#mermaid-svg-7TtnGb6ZY7JETers .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-7TtnGb6ZY7JETers .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-7TtnGb6ZY7JETers .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-7TtnGb6ZY7JETers .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-7TtnGb6ZY7JETers .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-7TtnGb6ZY7JETers .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-7TtnGb6ZY7JETers .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-7TtnGb6ZY7JETers .marker{fill:#333333;stroke:#333333;}#mermaid-svg-7TtnGb6ZY7JETers .marker.cross{stroke:#333333;}#mermaid-svg-7TtnGb6ZY7JETers svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-7TtnGb6ZY7JETers p{margin:0;}#mermaid-svg-7TtnGb6ZY7JETers .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-7TtnGb6ZY7JETers .cluster-label text{fill:#333;}#mermaid-svg-7TtnGb6ZY7JETers .cluster-label span{color:#333;}#mermaid-svg-7TtnGb6ZY7JETers .cluster-label span p{background-color:transparent;}#mermaid-svg-7TtnGb6ZY7JETers .label text,#mermaid-svg-7TtnGb6ZY7JETers span{fill:#333;color:#333;}#mermaid-svg-7TtnGb6ZY7JETers .node rect,#mermaid-svg-7TtnGb6ZY7JETers .node circle,#mermaid-svg-7TtnGb6ZY7JETers .node ellipse,#mermaid-svg-7TtnGb6ZY7JETers .node polygon,#mermaid-svg-7TtnGb6ZY7JETers .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-7TtnGb6ZY7JETers .rough-node .label text,#mermaid-svg-7TtnGb6ZY7JETers .node .label text,#mermaid-svg-7TtnGb6ZY7JETers .image-shape .label,#mermaid-svg-7TtnGb6ZY7JETers .icon-shape .label{text-anchor:middle;}#mermaid-svg-7TtnGb6ZY7JETers .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-7TtnGb6ZY7JETers .rough-node .label,#mermaid-svg-7TtnGb6ZY7JETers .node .label,#mermaid-svg-7TtnGb6ZY7JETers .image-shape .label,#mermaid-svg-7TtnGb6ZY7JETers .icon-shape .label{text-align:center;}#mermaid-svg-7TtnGb6ZY7JETers .node.clickable{cursor:pointer;}#mermaid-svg-7TtnGb6ZY7JETers .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-7TtnGb6ZY7JETers .arrowheadPath{fill:#333333;}#mermaid-svg-7TtnGb6ZY7JETers .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-7TtnGb6ZY7JETers .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-7TtnGb6ZY7JETers .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-7TtnGb6ZY7JETers .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-7TtnGb6ZY7JETers .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-7TtnGb6ZY7JETers .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-7TtnGb6ZY7JETers .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-7TtnGb6ZY7JETers .cluster text{fill:#333;}#mermaid-svg-7TtnGb6ZY7JETers .cluster span{color:#333;}#mermaid-svg-7TtnGb6ZY7JETers div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-7TtnGb6ZY7JETers .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-7TtnGb6ZY7JETers rect.text{fill:none;stroke-width:0;}#mermaid-svg-7TtnGb6ZY7JETers .icon-shape,#mermaid-svg-7TtnGb6ZY7JETers .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-7TtnGb6ZY7JETers .icon-shape p,#mermaid-svg-7TtnGb6ZY7JETers .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-7TtnGb6ZY7JETers .icon-shape .label rect,#mermaid-svg-7TtnGb6ZY7JETers .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-7TtnGb6ZY7JETers .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-7TtnGb6ZY7JETers .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-7TtnGb6ZY7JETers :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} Naive RAG
直接向量检索
LLM生成
Graph RAG
实体识别
关系抽取
图谱构建
图谱检索
向量检索融合
LLM生成

选择策略：当查询需要跨多个文档进行推理时，Graph RAG确实能提升准确率，但你要考虑清楚：构建成本增加10-50倍是否值得。我们团队在金融项目中用过，效果很好，但运维成本高得吓人。

【源码深挖】

Spring AI ChatClient调用链

一句话结论：ChatClient只是表面，Spring AI 2.0的Advisor机制才是真正的核心。

java 复制代码

// Spring AI 2.0.0 GA中的ChatClient核心实现
public class ChatClient {
    
    // 核心调用方法 - JDK 21.0.12.1
    public String call(String message) {
        return prompt()
            .user(message)
            .call()
            .content();
    }
    
    // 流式调用链 - Spring Boot 3.2.x
    public Flux<ChatResponse> stream(Prompt prompt) {
        return chatModel.stream(prompt)
            .map(response -> new ChatResponse(
                response.getResult().getOutput().getContent(),
                response.getResult().getMetadata()
            ));
    }
}

面试追问点：ChatClient的链式调用看起来像Builder模式，但这只是表象。真正厉害的是Spring AI 2.0的Advisor机制，它能像Spring AOP一样横切RAG的各个阶段，实现插件化的功能扩展。我们团队用这个机制实现了RAG的缓存、监控、重试等功能。

Embedding模型选型对比

一句话结论：Embedding模型选型直接影响RAG效果，需要谨慎权衡。

java 复制代码

// OpenAI Embedding集成 - text-embedding-3-small
@Bean
public EmbeddingModel openAiEmbedding() {
    return new OpenAiEmbeddingModel(
        OpenAiApi.builder()
            .apiKey(config.getApiKey())
            .build(),
        OpenAiEmbeddingModelOptions.builder()
            .model("text-embedding-3-small")
            .dimensions(1536)
            .build()
    );
}

// 本地Embedding集成 - BGE-small
@Bean
public EmbeddingModel localEmbedding() {
    return new OnnxEmbeddingModel(
        "BAAI/bge-small-en-v1.5",
        new OnnxRuntimeOptions()
    );
}

版本差异：新版本Embedding模型在性能和价格上有优势，但选择时要注意兼容性和迁移成本。我们团队从ada-002迁移到text-embedding-3-small，效果提升明显，但迁移过程很痛苦。

向量库路由机制

一句话结论：向量库的选择需要综合考虑性能、成本和运维复杂度。

java 复制代码

// Milvus新版本向量检索实现
@Service
public class MilvusVectorService {
    
    @Autowired
    private MilvusClient milvusClient;
    
    public List<VectorDocument> search(String query, int topK) {
        // 查询向量构建
        FloatArray queryVector = embeddingModel.embed(query);
        
        // Milvus搜索 - JDK 21.0.12.1
        SearchParam searchParam = SearchParam.newBuilder()
            .withCollectionName("documents")
            .withVectors(Collections.singletonList(queryVector))
            .withTopK(topK)
            .withMetricType(MetricType.L2)
            .build();
            
        SearchResult result = milvusClient.search(searchParam);
        return convertToDocuments(result);
    }
}

生产痛点：新版本Milvus在并发性能上有提升，但索引构建时间可能延长，需要采用合适的索引策略来平衡性能和成本。我们团队遇到过索引构建时间从小时级延长到天级的情况，差点导致项目延期。

【生产实战】

企业知识库RAG从0到1优化实录

一句话结论：生产级RAG优化不是一蹴而就的，需要系统性的问题定位和解决方案。

背景：某电商平台客服知识库，50万份文档（产品手册、FAQ、技术文档），日均查询量2万次，初始召回准确率61%。

现象：2026年3月15日，客服反馈"产品规格查询"类问题准确率骤降至45%，用户投诉率大幅上升，业务部门天天来催。

定位过程：

指标监控：Prometheus + Grafana监控显示，向量检索RT从50ms飙到800ms，用户等得直骂娘
日志分析：发现30%的查询返回"未找到相关文档"，用户的问题根本得不到解答
数据排查：文档切分粒度不均，平均每文档12个chunk，最大chunk达256个token，语义完全断裂
压测复现：模拟高并发查询，Milvus连接池打满，CPU使用率95%，系统濒临崩溃

根因分析：

文档切分问题：采用固定512token切分，导致长文档上下文断裂。长文档被切分为大量小片段，严重破坏语义完整性
检索策略缺陷：纯向量检索无法处理时间关键词精确匹配，导致相关查询召回率显著下降
重排序缺失：缺乏重排序层，向量检索返回结果中相关比例较低，用户看到一堆无关内容
评估体系空白：没有建立自动化评估机制，无法及时发现系统性能下降，问题积累到爆发才处理

修复方案：

文档切分优化：

java 复制代码

// 结构感知切分 - Spring Boot 3.2.x
@Service
public class DocumentChunker {
    
    public List<DocumentChunk> smartChunk(Document document) {
        // 按章节切分 + 语义增强
        List<DocumentChunk> chunks = new ArrayList<>();
        
        // 1. 结构解析
        DocumentStructure structure = parseStructure(document);
        
        // 2. 章节级切分
        for (Chapter chapter : structure.getChapters()) {
            // 3. 语义段落切分
            List<SemanticChunk> semanticChunks = semanticChunker.chunk(
                chapter.getContent(), 
                256, // token上限
                0.3  // 重叠率
            );
            chunks.addAll(semanticChunks);
        }
        
        return chunks;
    }
}

混合检索架构：

yaml 复制代码

# application.yml - Spring Boot 3.2.x
rag:
  retrieval:
    hybrid:
      enabled: true
      vector:
        model: text-embedding-3-small
        dimensions: 1536
      bm25:
        index: elasticsearch
        fields: ["title", "content"]
      rerank:
        model: cross-encoder/ms-marco-MiniLM-L-6-v2
        top-k: 20

评估体系搭建：

python 复制代码

# RAGAS评估脚本 - Python 3.11
from ragas import evaluate
from ragas.metrics import faithfulness, answer_relevancy

def evaluate_rag_system():
    dataset = load_test_dataset()
    
    result = evaluate(
        dataset,
        metrics=[
            faithfulness,
            answer_relevancy,
            context_precision,
            answer_correctness
        ],
        llm=evaluator_llm,
        embeddings=eval_embeddings
    )
    
    return result

修复效果：

召回准确率：从61%提升到约89%，相关查询召回率显著提升，业务部门终于不催了
查询性能：RT从800ms降至120ms，P95响应时间从2.1s降至350ms，用户体验大幅改善
用户体验：用户投诉率大幅下降，客服满意度显著提升，客服团队终于能喘口气
系统容量：吞吐量提升约5倍，支持更大规模查询，为业务增长留足空间
成本优化：Token消耗降低约40%，运营成本显著下降，老板终于笑了

复盘总结：

技术选型权衡：混合检索比纯向量检索准确率有提升，但架构复杂度和维护成本也相应增加。需要根据业务场景选择合适的技术方案，不要盲目追新。
评估体系必要性：没有评估体系的RAG系统就像"盲人摸象"，我们建立了包含技术指标、业务指标、成本指标的三维评估体系，实现了系统性能的实时监控和预警。
成本控制策略：新版本Milvus性能较好，但内存使用量可能增加。通过采用合适的索引策略和数据管理方法，将资源使用量控制在合理范围内。
监控体系建设：建立了基于Prometheus+Grafana的全链路监控，覆盖向量检索、重排序、LLM调用等各个环节，实现了从毫秒级到分钟级的多维度监控。

【追问链条】

追问1：RAG系统中的幻觉怎么解决？

候选人视角 ：

幻觉是RAG系统的核心痛点，我采用三层防御策略：

检索层：通过混合检索+重排序确保相关文档的准确性，使用BM25处理精确匹配，向量检索处理语义匹配
提示层：在Prompt中明确要求"基于以下文档内容回答，不要编造信息"，并给出回答格式约束
验证层：使用RAGAS的Faithfulness指标实时监控回答一致性，对幻觉回答进行标记和修正
反馈层：建立用户反馈机制，对错误的回答进行人工标注和模型微调

面试官视角 ：

这题在筛"是否理解RAG的本质问题"。直接回答"用更好的模型"的候选人直接挂。优秀的候选人会提到具体的验证机制和监控指标。如果候选人能说出"幻觉分为事实性幻觉和逻辑性幻觉，需要不同策略"，说明有深度思考。事实性幻觉可以通过检索增强解决，逻辑性幻觉需要改进推理链，这是区分高级和中级工程师的关键点。

追问2：Graph RAG和传统RAG的根本区别是什么？

候选人视角 ：

根本区别在于推理能力：

传统RAG：基于向量相似度找最相关的文档片段，适合单文档查询
Graph RAG：构建知识图谱，支持多跳推理，适合复杂业务场景

举个例子，问"某产品的售后流程涉及哪些部门"，Graph RAG能通过图谱推理出"销售→技术→财务→物流"的完整链路，而传统RAG只能返回相关文档片段。

面试官视角 ：

这题在筛"是否理解RAG的局限性"。候选人如果只说"Graph RAG加了图谱"，说明只停留在表面。优秀的候选人能说出Graph RAG的构建成本和适用场景边界，说明有生产经验。如果候选人能说出"Graph RAG适合需要跨文档推理的复杂场景，但构建成本高昂"，说明有实际项目经验。

追问3：RAG系统的评估指标怎么选择？为什么不用准确率？

候选人视角 ：

评估指标必须分层设计：

技术指标：召回率、精确率、F1值、MRR（平均倒数排名）
业务指标：回答相关性、用户满意度、解决率、首次响应时间
成本指标：Token消耗、响应时间、系统吞吐量、单位查询成本

不用准确率的原因：

标注成本：准确率需要人工标注，生产环境不可行。大规模知识库的全量标注需要投入大量人力和时间
主观性："正确答案"可能不唯一。不同人员对同一问题可能有不同的理解和判断标准
滞后性：人工标注无法实时反馈。系统性能问题时，人工标注需要较长时间才能发现问题

我们采用RAGAS的自动化评估体系，通过LLM-as-Judge实现无标注评估，同时建立A/B测试框架，确保评估结果的客观性和可复现性。

面试官视角 ：

这题在筛"是否理解评估体系的复杂性"。候选人如果只说"用准确率"，说明没有生产经验。优秀的候选人能说出"准确率在RAG中是伪命题"，并解释为什么需要多维度评估体系。如果提到"评估指标需要和业务目标对齐"，说明有架构思维。如果候选人能说出"技术指标是基础，业务指标是目标，成本指标是约束，三者需要平衡"，说明有系统思维和成本意识。对于中高级岗位，我们期待候选人不仅会技术，还要理解业务和成本，这才是架构师的核心能力。

【总结延伸】

核心结论速记表

RAG不是简单拼接：是系统工程，每个环节失误都会影响最终质量。文档切分、检索策略、重排序、评估体系缺一不可。
切分策略决定上限：结构感知+语义增强的混合策略最佳。固定长度切分会导致上下文断裂，纯语义切分会造成检索粒度不均。
混合检索是必选项：纯向量检索无法处理精确匹配需求。BM25处理关键词精确匹配，向量检索处理语义相似度，两者结合效果最佳。
评估体系要闭环：技术指标+业务指标+成本指标三位一体。技术指标是基础，业务指标是目标，成本指标是约束，三者需要平衡。
Graph RAG有适用边界：多跳推理场景准确率有显著提升，但构建成本也大幅增加。适合复杂业务场景，需要权衡构建成本和查询复杂度。
版本选择要谨慎：新版本Embedding模型在性能和价格上有优势，但选择时要注意兼容性和迁移成本。
监控不可或缺：Prometheus+Grafana监控RT、准确率、错误率等关键指标。建立从毫秒级到分钟级的多维度监控体系。
成本优化是关键：高性能向量数据库资源消耗较大，需要合理规划资源。通过合适的索引策略和数据管理方法控制成本。
幻觉治理需要分层：事实性幻觉通过检索增强解决，逻辑性幻觉需要改进推理链。建立三层防御策略：检索层、提示层、验证层。
自动化评估是趋势：RAGAS通过LLM-as-Judge实现无标注评估，解决了传统人工标注成本高、覆盖面窄的痛点。

JAVA 高级进阶18篇《生产级RAG：切分、检索、评估与Graph RAG全链路实战》

生产级RAG：切分、检索、评估与Graph RAG全链路实战

【场景引入】

【原理图解】

RAG全链路架构

文档切分策略对比

混合检索+重排序流程

RAGAS评估指标关系

Naive RAG vs Graph RAG对比

【源码深挖】

Spring AI ChatClient调用链

Embedding模型选型对比

向量库路由机制

【生产实战】

企业知识库RAG从0到1优化实录

【追问链条】

追问1：RAG系统中的幻觉怎么解决？

追问2：Graph RAG和传统RAG的根本区别是什么？

追问3：RAG系统的评估指标怎么选择？为什么不用准确率？

【总结延伸】

核心结论速记表

延伸阅读