RAG检索质量受哪些环节影响

RAG 的答案质量，往往不是由生成模型单独决定的，而是由“问题是否被正确理解、知识是否被有效找出、上下文是否能被准确使用”共同决定。检索结果一旦偏离问题，后续模型即使表达流畅，也只能在错误材料上生成看似合理的答案。

影响检索质量的关键环节

首先是知识库本身。文档存在过期、重复、表述矛盾或内容缺失时，检索系统很难得到可靠依据。企业资料还常包含权限边界：能否被检索、能否进入模型上下文，不能只靠生成阶段补救。因此，知识更新、版本管理、文档清洗和访问控制，都是检索质量的一部分。

其次是文档切分。切得过大，多个主题混在同一片段里，相关性会被稀释；切得过小，定义、条件和例外条款可能被拆散，召回的片段缺少完整语义。合理切分的标准不是固定字数，而是尽量保持一个知识单元的完整性，例如让规则、适用范围和限制条件能够共同出现。

再次是召回与排序。单一召回方式可能遗漏同义表达、专业术语或隐含关系，因此需要根据问题特点组合检索策略。初步召回后，还要通过相关性重排序，把真正回答问题所需的片段置于前面。召回数量并非越多越好，混入大量边缘内容会增加噪声，反而干扰模型判断。

查询改写同样重要。用户的问题可能过于简短、口语化，甚至缺少关键条件。系统若不能识别实体、时间范围、限定条件和真实意图，检索对象就会从一开始发生偏移。对于复杂问题，还应先拆分子问题，再分别检索，避免用一个模糊查询覆盖多个知识点。

最后是上下文压缩与生成约束。检索到的内容需要保留结论、依据和例外，而不是简单截断。模型还应被要求优先依据检索材料作答；当资料不足或相互冲突时，明确说明不确定性，而不是自行补全。评估时不能只看最终答案，应分别检查召回是否命中、排序是否合理、证据是否充分，并用业务难题和边界案例持续回归测试。只有把问题分析、数据治理、检索链路和生成环节拆开评估，RAG 才能从“接入知识库”变成可控的知识问答系统。