本文深入探讨了RAG（检索增强生成）系统中被忽视的“检索系统”对整体效果的决定性影响。核心内容围绕三种主流检索方式（向量检索、关键词检索、混合检索）展开，重点解析了混合检索的必要性和具体架构，同时强调了召回率与精准率之间的平衡、参数调优技巧以及进阶优化策略如Query分析和多路召回。文章最后强调，RAG的核心在于有效信息检索，而非模型生成本身，为后续探讨Rerank的重要性埋下伏笔。

很多人在优化 RAG 时，会优先考虑：

• 换更强的模型
• 调 Prompt
• 加更多数据

但在真实系统中，一个更本质的事实是：

RAG 的效果，本质上由“检索系统”决定。

一、一个被忽略的现实

我们先看一条最真实的链路：

如果信息没有被检索出来 → 模型永远不可能回答正确

换句话说：

模型的上限 = 检索的上限

二、三种主流检索方式

目前主流 RAG 系统，基本都在这三种之间做选择。

1. 向量检索（Vector Search）

原理：

Query → Embedding → 向量相似度搜索（Top-K）

优点：

• 能处理语义相似（模糊表达）
• 对自然语言友好

缺点：

• 精确匹配能力差
• 对数字 / ID / 关键词不敏感
• 长尾问题不稳定

典型问题

Query: “2024年Q3报销政策”

结果可能：

• 命中“报销流程说明”
• 但忽略“2024 Q3”

问题本质：

向量检索擅长“语义”，但不擅长“精确条件”。

2. 关键词检索（Keyword / BM25）

典型实现：

• Elasticsearch
• BM25 算法

优点

• 精确匹配强（时间 / 数字 / 专有词）
• 可控性高（过滤 / 权重 / 字段控制）

缺点

• 无法真正理解语义
• Query 必须写得“准”
• 对自然语言表达不友好

典型问题：

Query: “费用报销流程” 如果文档写的是“报销审批流程” → 可能完全匹配不到

3. 混合检索（Hybrid Retrieval）

真实系统的主流方案

核心思路

向量检索（找语义） + 关键词检索（找精确） + 融合排序

三、一个标准架构（可直接用于方案）

下面是一个典型的 Hybrid Retrieval 架构：

关键点：

不是“选一个”，而是“组合使用”。

四、为什么 Hybrid 是必选项？

因为两种能力是互补的：

向量检索解决：

• “用户不会说标准词”的问题

关键词检索解决：

• “必须精确命中”的问题

举个真实场景：

Query: “2024年差旅报销标准”

• 向量：找到“报销流程”
• 关键词：命中“2024年”

单用任何一个都不够

五、一个必须理解的核心指标

在检索系统里，有两个核心指标。

Recall（召回率）

能不能“找到”正确答案

Precision（精准率）

找到的结果“是不是对的”

一个核心 Tradeoff

提高 Recall → 噪声变多 提高 Precision → 容易漏掉答案

检索系统的本质：

在 Recall 和 Precision 之间找平衡

六、参数怎么调？（工程实战）

这一部分，是很多系统真正拉开差距的地方。

1. Top-K（向量检索）

建议：10 ~ 30

太小

• 漏掉答案

太大

• 噪声太多

2. BM25 权重（ES）

可调：

• 标题权重 > 正文
• 精确匹配加权
• 字段 Boost

3. 融合策略（关键）

常见方式：

1.分数融合

score = α * vector_score + β * bm25_score

2.排名融合（推荐）

• Reciprocal Rank Fusion（RRF）

优点：

• 不依赖分数归一化
• 更稳定

七、一个进阶优化：Query 分析

不同 Query，用不同策略

示例

1. 精确查询（含时间 / ID） → 偏向 BM25 2. 模糊查询（自然语言） → 偏向向量 3. 长问题 → 拆分 + 多路检索

如果这一层做得好：

系统稳定性会明显提升

八、再往上：多路召回（高级）

一个 Query → 多个 Retriever

Query ↓ 多种策略： - 向量 - BM25 - 规则 ↓ 合并 ↓ Rerank

作用

• 提升 Recall
• 对抗单一策略失效
• 提高长尾问题稳定性

九、工程落地

1. 标准方案（轻量级）

Vector DB（Qdrant / Milvus / pgvector） + Elasticsearch+Rerank 模型

2. 进阶方案（平台级）

多 Retriever + Query Rewrite + Rerank + Feedback Learning（用户点击反馈）

十、重要认知

RAG 的核心不是“生成”，而是“找到什么信息被生成”。

AI行业迎来前所未有的爆发式增长：从DeepSeek百万年薪招聘AI研究员，到百度、阿里、腾讯等大厂疯狂布局AI Agent，再到国家政策大力扶持数字经济和AI人才培养，所有信号都在告诉我们：AI的黄金十年，真的来了！

在行业火爆之下，AI人才争夺战也日趋白热化，其就业前景一片蓝海！

我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓

人才缺口巨大

人力资源社会保障部有关报告显示，据测算，当前，****我国人工智能人才缺口超过500万，****供求比例达1∶10。脉脉最新数据也显示：AI新发岗位量较去年初暴增29倍，超1000家AI企业释放7.2万+岗位……

单拿今年的秋招来说，各互联网大厂释放出来的招聘信息中，我们就能感受到AI浪潮，比如百度90%的技术岗都与AI相关！

就业薪资超高

在旺盛的市场需求下，AI岗位不仅招聘量大，薪资待遇更是“一骑绝尘”。企业为抢AI核心人才，薪资给的非常慷慨，过去一年，懂AI的人才普遍涨薪40%+！

脉脉高聘发布的《2025年度人才迁徙报告》显示，在2025年1月-10月的高薪岗位Top20排行中，AI相关岗位占了绝大多数，并且平均薪资月薪都超过6w！

在去年的秋招中，小红书给算法相关岗位的薪资为50k起，字节开出228万元的超高年薪，据《2025年秋季校园招聘白皮书》，AI算法类平均年薪达36.9万，遥遥领先其他行业！

总结来说，当前人工智能岗位需求多，薪资高，前景好。在职场里，选对赛道就能赢在起跑线。抓住AI风口，轻松实现高薪就业！

但现实却是，仍有很多同学不知道如何抓住AI机遇，会遇到很多就业难题，比如：

❌ 技术过时：只会CRUD的开发者，在AI浪潮中沦为“职场裸奔者”；

❌ 薪资停滞：初级岗位内卷到白菜价，传统开发3年经验薪资涨幅不足15%；

❌ 转型无门：想学AI却找不到系统路径，83%自学党中途放弃。

他们的就业难题解决问题的关键在于：不仅要选对赛道，更要跟对老师！

我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓