RAG 答非所问/幻觉怎么破？Spring AI QuestionAnswerAdvisor 召回优化实战（TopK/重排/混合检索）

系列：Spring AI 深入浅出（第 11 篇）

版本：Spring AI 2.0.1 / Spring Boot 4.1.x / JDK 21

标签：#SpringAI #RAG #QuestionAnswerAdvisor #幻觉

前置阅读：第 9、10 篇

预计字数：6500 字｜可复制源码 + 召回参数表 + 幻觉排查清单

本文将解决 ：RAG 效果差，90% 在召回不在生成 。本文讲清 QuestionAnswerAdvisor 的检索增强链路，给出一套召回参数调优 + 幻觉排查清单。

你将学到：

检索增强链路：召回 → 上下文注入 → 生成
QuestionAnswerAdvisor 的用法
召回参数调优（topK / similarityThreshold / filterExpression）
分块大小与召回命中率的关系
重排序与混合检索的价值
一张"答非所问/幻觉"排查清单

一、版本标注

本文基于 Spring AI 2.0.1 / Boot 4.1 / JDK 21。QuestionAnswerAdvisor 与 SearchRequest 的具体构造签名以 2.0.1 官方文档为准。

二、检索增强链路

第 9 篇搭好了 ETL，第 10 篇选好了库，现在把它们接到对话上。QuestionAnswerAdvisor 做的事：
#mermaid-svg-Di8w1p0iXJoWb9b6{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-Di8w1p0iXJoWb9b6 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-Di8w1p0iXJoWb9b6 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-Di8w1p0iXJoWb9b6 .error-icon{fill:#552222;}#mermaid-svg-Di8w1p0iXJoWb9b6 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-Di8w1p0iXJoWb9b6 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-Di8w1p0iXJoWb9b6 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-Di8w1p0iXJoWb9b6 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-Di8w1p0iXJoWb9b6 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-Di8w1p0iXJoWb9b6 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-Di8w1p0iXJoWb9b6 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-Di8w1p0iXJoWb9b6 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-Di8w1p0iXJoWb9b6 .marker.cross{stroke:#333333;}#mermaid-svg-Di8w1p0iXJoWb9b6 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-Di8w1p0iXJoWb9b6 p{margin:0;}#mermaid-svg-Di8w1p0iXJoWb9b6 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-Di8w1p0iXJoWb9b6 .cluster-label text{fill:#333;}#mermaid-svg-Di8w1p0iXJoWb9b6 .cluster-label span{color:#333;}#mermaid-svg-Di8w1p0iXJoWb9b6 .cluster-label span p{background-color:transparent;}#mermaid-svg-Di8w1p0iXJoWb9b6 .label text,#mermaid-svg-Di8w1p0iXJoWb9b6 span{fill:#333;color:#333;}#mermaid-svg-Di8w1p0iXJoWb9b6 .node rect,#mermaid-svg-Di8w1p0iXJoWb9b6 .node circle,#mermaid-svg-Di8w1p0iXJoWb9b6 .node ellipse,#mermaid-svg-Di8w1p0iXJoWb9b6 .node polygon,#mermaid-svg-Di8w1p0iXJoWb9b6 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-Di8w1p0iXJoWb9b6 .rough-node .label text,#mermaid-svg-Di8w1p0iXJoWb9b6 .node .label text,#mermaid-svg-Di8w1p0iXJoWb9b6 .image-shape .label,#mermaid-svg-Di8w1p0iXJoWb9b6 .icon-shape .label{text-anchor:middle;}#mermaid-svg-Di8w1p0iXJoWb9b6 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-Di8w1p0iXJoWb9b6 .rough-node .label,#mermaid-svg-Di8w1p0iXJoWb9b6 .node .label,#mermaid-svg-Di8w1p0iXJoWb9b6 .image-shape .label,#mermaid-svg-Di8w1p0iXJoWb9b6 .icon-shape .label{text-align:center;}#mermaid-svg-Di8w1p0iXJoWb9b6 .node.clickable{cursor:pointer;}#mermaid-svg-Di8w1p0iXJoWb9b6 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-Di8w1p0iXJoWb9b6 .arrowheadPath{fill:#333333;}#mermaid-svg-Di8w1p0iXJoWb9b6 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-Di8w1p0iXJoWb9b6 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-Di8w1p0iXJoWb9b6 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Di8w1p0iXJoWb9b6 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-Di8w1p0iXJoWb9b6 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Di8w1p0iXJoWb9b6 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-Di8w1p0iXJoWb9b6 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-Di8w1p0iXJoWb9b6 .cluster text{fill:#333;}#mermaid-svg-Di8w1p0iXJoWb9b6 .cluster span{color:#333;}#mermaid-svg-Di8w1p0iXJoWb9b6 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-Di8w1p0iXJoWb9b6 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-Di8w1p0iXJoWb9b6 rect.text{fill:none;stroke-width:0;}#mermaid-svg-Di8w1p0iXJoWb9b6 .icon-shape,#mermaid-svg-Di8w1p0iXJoWb9b6 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Di8w1p0iXJoWb9b6 .icon-shape p,#mermaid-svg-Di8w1p0iXJoWb9b6 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-Di8w1p0iXJoWb9b6 .icon-shape rect,#mermaid-svg-Di8w1p0iXJoWb9b6 .image-shape rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Di8w1p0iXJoWb9b6 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-Di8w1p0iXJoWb9b6 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-Di8w1p0iXJoWb9b6 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 用户问题
向量化
相似度检索 TopK
检索结果注入 Prompt
模型基于资料生成

它是个 Advisor（第 6 篇机制）：请求进入时，把问题拿去检索，把命中的文档拼进 prompt，再交给模型。

三、QuestionAnswerAdvisor 用法

java 复制代码

import org.springframework.ai.chat.client.advisor.QuestionAnswerAdvisor;
import org.springframework.ai.vectorstore.SearchRequest;
import org.springframework.ai.vectorstore.VectorStore;

@Bean
public ChatClient chatClient(ChatClient.Builder builder, VectorStore vectorStore) {
    return builder
            .defaultAdvisors(QuestionAnswerAdvisor.builder(vectorStore).build())
            .build();
}

挂上后，用户提问会自动检索知识库并增强回答。要精细控制召回，用 SearchRequest：

java 复制代码

SearchRequest searchRequest = SearchRequest.builder()
        .topK(4)                    // 取最相似的 4 条
        .similarityThreshold(0.7)   // 相似度阈值，低于 0.7 的不采用
        .build();

QuestionAnswerAdvisor advisor = QuestionAnswerAdvisor.builder(vectorStore)
        .searchRequest(searchRequest)
        .build();

四、召回参数调优

参数	含义	太小	太大	建议
topK	取前 K 条最相似	漏召回、答不全	噪声多、塞进无关内容	3~5 起步
similarityThreshold	相似度下限	漏掉相关	混入无关、易幻觉	0.6~0.8 起步

核心矛盾：topK 和阈值共同决定"召回多少、多相关"。调优方向------

答不全 → 加大 topK、降低阈值
答非所问/幻觉 → 减小 topK、提高阈值，让模型只看到高相关内容

五、分块大小与召回命中率

第 9 篇提过 chunk 是头号变量，这里说它和召回的关系：

块太大：一个 chunk 里塞了多个话题，检索命中的"颗粒"太粗，注入时带进无关内容。
块太小：一个完整语义被切碎，检索只能命中碎片，上下文不全。
实践：按知识粒度切（FAQ 按条、文档按段），让每个 chunk 是"一个完整可独立回答的单元"，召回命中率自然高。

六、重排序与混合检索（进阶）

6.1 重排序（Rerank）

向量检索"召回"快但排序粗，可以加一层 rerank 模型对 TopK 结果重新打分排序，把最相关的放最前：

适用：知识库大、TopK 只能召回"大致相关"时
代价：多一次 rerank 模型调用，增加延迟与成本

6.2 混合检索（向量 + 关键词）

向量检索擅长语义，但对精确关键词（如型号"X-2000"、编号"PRD-001"）不如传统全文检索。混合检索 = 向量 + 关键词（BM25）两路召回再融合：

适用：知识库里有大量精确术语/编号的场景
实现：ES 等支持向量+全文混合的库天然占优（第 10 篇提过）

七、幻觉排查清单

遇到"答非所问 / 胡说八道"，按这个顺序排查：

召回有没有命中：打日志看检索到了什么。没命中 → 调 topK/阈值、换 embedding。
命中但内容不对：看 chunk 是否完整、是否带无关内容 → 调分块、加过滤。
内容对但答案错：问题在 prompt 拼装/模型 → 检查注入格式、降低 temperature。
答案对但没出处：加引用溯源（第 12 篇），让用户可核对。
特定领域一直胡说：知识库里根本没有这块资料 → 补数据，不是调参能救的。

牢记：RAG 的幻觉很多是"数据/召回"问题，不是"模型"问题。先查召回，再查 prompt，最后才怀疑模型。

八、原理图解：召回优化的闭环

#mermaid-svg-4BZQPPGqDeUjMZ1Z{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-4BZQPPGqDeUjMZ1Z .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .error-icon{fill:#552222;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .marker{fill:#333333;stroke:#333333;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .marker.cross{stroke:#333333;}#mermaid-svg-4BZQPPGqDeUjMZ1Z svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-4BZQPPGqDeUjMZ1Z p{margin:0;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .cluster-label text{fill:#333;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .cluster-label span{color:#333;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .cluster-label span p{background-color:transparent;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .label text,#mermaid-svg-4BZQPPGqDeUjMZ1Z span{fill:#333;color:#333;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .node rect,#mermaid-svg-4BZQPPGqDeUjMZ1Z .node circle,#mermaid-svg-4BZQPPGqDeUjMZ1Z .node ellipse,#mermaid-svg-4BZQPPGqDeUjMZ1Z .node polygon,#mermaid-svg-4BZQPPGqDeUjMZ1Z .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .rough-node .label text,#mermaid-svg-4BZQPPGqDeUjMZ1Z .node .label text,#mermaid-svg-4BZQPPGqDeUjMZ1Z .image-shape .label,#mermaid-svg-4BZQPPGqDeUjMZ1Z .icon-shape .label{text-anchor:middle;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .rough-node .label,#mermaid-svg-4BZQPPGqDeUjMZ1Z .node .label,#mermaid-svg-4BZQPPGqDeUjMZ1Z .image-shape .label,#mermaid-svg-4BZQPPGqDeUjMZ1Z .icon-shape .label{text-align:center;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .node.clickable{cursor:pointer;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .arrowheadPath{fill:#333333;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-4BZQPPGqDeUjMZ1Z .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-4BZQPPGqDeUjMZ1Z .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-4BZQPPGqDeUjMZ1Z .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .cluster text{fill:#333;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .cluster span{color:#333;}#mermaid-svg-4BZQPPGqDeUjMZ1Z 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-4BZQPPGqDeUjMZ1Z .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-4BZQPPGqDeUjMZ1Z rect.text{fill:none;stroke-width:0;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .icon-shape,#mermaid-svg-4BZQPPGqDeUjMZ1Z .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .icon-shape p,#mermaid-svg-4BZQPPGqDeUjMZ1Z .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .icon-shape rect,#mermaid-svg-4BZQPPGqDeUjMZ1Z .image-shape rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-4BZQPPGqDeUjMZ1Z .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-4BZQPPGqDeUjMZ1Z .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-4BZQPPGqDeUjMZ1Z :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 没命中
命中但乱
命中且准
用户问题
召回结果如何?
降阈值/加TopK/换embedding
调分块/加过滤
进入生成
模型作答

九、踩坑 FAQ

坑 1：topK 太小漏召回

现象：答案缺关键信息，或干脆答"不知道"。

原因：topK 太小，相关内容没被召回。

解决：加大 topK（3~5 起步），必要时降阈值。

坑 2：相似度阈值太高，零召回

现象：无论问什么，检索结果都为空。

原因：similarityThreshold 设太高（如 0.9），没有 chunk 达标。

解决：降到 0.6~0.8，观察召回。

坑 3：检索命中但答案仍错

现象：日志显示召回了相关内容，但答案不对。

原因：问题在 prompt 拼装或模型，不在召回。

解决：检查注入格式、降 temperature、加强 prompt 约束。

坑 4：相关性得分普遍偏低

现象：相似度分数都很低，召回不稳定。

原因：embedding 模型与语料不匹配（如英文模型处理中文）。

解决：换中文友好的 embedding 模型。

坑 5：精确关键词检索不到

现象：问"PRD-001 的规格"，向量检索找不到。

原因：精确编号/术语不适合纯向量语义检索。

解决：上混合检索（向量 + 关键词）或 rerank。

十、小结与合集导航

本篇把 RAG 从"能跑"推进到"答得准"：

QuestionAnswerAdvisor 完成召回→注入→生成
SearchRequest 调 topK / similarityThreshold
分块、rerank、混合检索三管齐下
一张幻觉排查清单：先查召回，再查 prompt，最后查模型

下一篇：《RAG 生产级进阶》------多租户隔离、增量更新、引用溯源与召回评测。

十一、互动钩子

投票：你的 RAG 最头疼哪个问题？

召回不准确
幻觉/胡说
精确关键词搜不到
知识库更新不及时

评论区聊聊你的 RAG 翻车现场；源码见置顶评论。