大模型很聪明，但它不是万能的。就像你身边那个啥都懂一点的朋友：八卦很熟、冷知识一堆，但你一问“物业合同解约流程”或者“公司报销规定”，他可能一脸懵。
这时候，就需要 RAG（检索增强生成，Retrieval-Augmented Generation） 来帮忙。它相当于给大模型装了个“实时搜索外挂”，能把外部知识库的资料取出来，再结合大模型的语言能力，给你一个靠谱的答案。
不过，传统RAG虽然解决了一部分问题，但也经常掉链子。于是，进阶版的 Advanced RAG 出现了。它就像是给外挂再装了外挂，不仅能搜，还能搜得更准、答得更好。
一、为什么光有RAG还不够？
想象一下：
你去图书馆问管理员：“电梯困人了，我该打哪个电话？”
结果管理员：
- 找不到相关的书（内容缺失）。
- 把一本50页的电梯维修手册直接塞给你（文档切分不合理）。
- 给你找来一本《物业管理通则》，结果和你问的问题没关系（Not in Context）。
- 回答你“110”，结果格式要求是JSON，但它给你的是纯文本（Wrong Format）。
是不是很崩溃？这就是传统RAG常见的痛点。
二、传统RAG的常见坑点
1. 索引构建时的问题
-
内容缺失
就像图书馆没买这本书。你问再多次，也没人能回答。
→ 解决办法：补充知识库，确保资料完整。 -
文档加载不准确
PDF里的表格没读出来、合同的图片说明丢了，就像图书馆买了盗版书，缺页少字。
→ 解决办法：用专业的“文档读取器”，针对PDF、图片、HTML各自优化。 -
文档切分不合理
- 切得太大：一页书全丢进去，结果大模型看不过来。
- 切得太小：一行一行分割，结果上下文断裂，前后不连贯。
→ 解决办法：重叠分块、按标题分块、递归分块。
2. 检索和回答时的问题
三、如何优化传统RAG？
传统RAG不是废物，只是需要打磨。优化思路可以分为几类：
-
补充内容：缺啥补啥，知识库尽量全。
-
数据清洗：垃圾数据必然带来垃圾答案。
-
文档切分：重叠分块、结构化分块、递归分块，找到合适的粒度。
-
召回优化：
- 增加TopK数量（3条→5条），但注意干扰信息变多。
- 用Reranking，把最相关的段落提前。
-
答案优化：
- Prompt里加“如果不知道就说不知道”。
- 用PydanticOutputParser校验输出格式。
- 把复杂问题拆分成子问题，逐个解决后再总结。
四、Advanced RAG：让大模型回答更准的“三步优化法”
大模型很强，但并不是万能的。很多人用过 RAG（检索增强生成）后会发现：
- 有时答案不完整；
- 有时明明知识库里有内容，却没被检索出来；
- 有时答非所问，甚至格式还错了。
原因很简单：传统RAG大多只关注“有没有检索到”，而没想过 “怎么更聪明地检索和利用结果” 。
于是，Advanced RAG 出现了。它在 检索前 → 检索中 → 检索后 三个环节都做了优化，让系统能更好地理解问题、找到相关内容，并最终生成更精准的答案。
1.检索前优化（Pre-Retrieval）
检索前优化的目标是：让问题和知识更容易匹配。
换句话说，如果“问题表达太模糊”或者“文档索引不合理”，后面的检索就会出错。
索引优化
常见方法包括：
- 摘要索引：为每个文档块生成一个简洁的摘要（summary），存入数据库。检索时先比对摘要，再回溯原文。这样在处理表格或长文档时更高效。
- 父子索引：文档先分成小块（叶子块）做索引，但在检索时可以回溯到更大的父块，既保持精准度又保留上下文完整性。
- 假设性问题索引：为每个块生成几个“假设性问题”，存成向量。检索时通过“问题匹配问题”，而不是“问题匹配文本”，更符合用户提问方式。
- 元数据索引：给文档加标签（如作者、年份、主题），先用标签筛选，再结合向量检索，避免“海量文档里找针”的低效。
查询优化
很多时候，用户提问过于简略或含糊。比如：
- 用户问：“合同多久生效？”
- 实际需要的检索问题是：“物业服务合同从签署到生效的时间规定是什么？”
常见方法：
- Enrich（完善问题） ：引导用户补充信息，或让LLM自动补全隐含要素。
- Multi-Query（多路召回） ：基于原始问题生成多个变体，从不同角度检索。例如“合同生效时间”“合同有效期起点”。
- Decomposition（问题分解） ：把复杂问题拆分成多个子问题，分别检索再汇总结果。
2.检索优化（Retrieval）
当问题准备好了，接下来就是“如何检索得更准”。
传统做法主要靠向量检索，根据语义相似度匹配。但这并不总是可靠：
- 向量可能找不到精确匹配（尤其是冷门领域术语）。
- 只靠语义可能漏掉关键词非常关键的文档。
改进方法：
- 嵌入模型优化：微调嵌入模型，让它更懂特定领域的语言。比如在医学场景，模型要明白“心梗”和“心肌梗塞”是同一回事。
- 混合检索：结合语义检索（向量）+ 关键词检索（BM25）。这样既保证语义理解，又不会漏掉关键词命中。
- 动态适配：根据场景选择检索方式，例如金融法律类要求“精确匹配”，新闻资讯类则更依赖“语义相似度”。
3.检索后优化（Post-Retrieval）
检索出来的内容，不是“全给大模型”就万事大吉。原因很简单：
- 太多上下文会导致大模型分心；
- 排序靠前的不一定是最相关的；
- 无关内容会污染答案。
所以要做 检索后的“精加工” 。
常见方法：
- Reranking（重排序） ：对检索结果再打分，把最相关的排在最前。比如 LlamaIndex、LangChain 已经支持用更专业的排序模型做这件事。
- RAG-Fusion：当有多路查询结果时，使用“互惠排名融合（Reciprocal Rank Fusion）”来合并结果，保证整体相关性更高。
- 上下文压缩与过滤：只保留与问题相关的部分，而不是把整段原文丢给模型。这既减少 Token 消耗，又能避免信息过载
4.小结
Advanced RAG 的核心就是“三步走”：
- 检索前优化：让问题和文档更容易对接（索引优化+查询优化）。
- 检索优化：用更聪明的方式找到最相关的上下文（混合检索+模型优化）。
- 检索后优化：把检索结果精加工，再交给大模型（重排序+上下文压缩）。
可以把传统RAG比作：“我去书店找书，直接按照模糊关键词翻书”。
而Advanced RAG则是：
- 有人帮我先问清楚问题（检索前）
- 再用更专业的检索工具找准书（检索优化）
- 最后有人帮我划重点、过滤掉废话（检索后）
最终效果就是：答案更快、更准、更可控。
五、总结：RAG → Advanced RAG 的飞跃
传统RAG就像你去图书馆找书：
- 管理员能帮忙，但有时找错书、有时给整本书丢过来，还可能漏掉关键答案。
Advanced RAG就像是：
- 有个助理帮你先优化问题（Pre-Retrieval）；
- 再用最合适的搜索方式帮你找资料（Retrieval）；
- 最后帮你划重点，总结成答案（Post-Retrieval）。
结果就是：答案更快、更准、更省心。
这样一来，即便你是RAG小白，也能大致理解：
- 为什么传统RAG经常答非所问；
- Advanced RAG做了哪些改进；
- 它能让大模型在实际业务里更可靠、更聪明。
水平有限，还不能写到尽善尽美，希望大家多多交流，跟春野一同进步！！！
