向量库在RAG流程中起什么作用?

向量库并不负责“回答问题”，它在 RAG 中承担的是把知识库变成可按语义检索的证据集合。生成模型擅长组织语言，却未必掌握企业内部文档或刚更新的信息；向量库的价值，正是在提问发生时，从大量文本片段中找出与问题含义最接近的内容，供模型据此作答。

文档进入系统前，通常会先被切分成较短的段落，再分别转化为向量并写入向量库。这里的向量可以理解为文本语义的数字化表示：措辞不完全相同、但表达含义接近的句子，在向量空间中的位置往往更接近。因此，用户提问也被转成向量后，系统不必只依赖关键词匹配，而能检索语义相近的段落。

它决定了模型能看到什么证据

RAG 的生成阶段只能基于送入上下文的信息展开。向量库检索到的片段如果准确，模型就有机会引用可靠内容；如果检索结果偏题、混杂或缺失，即使模型表达流畅，答案也可能失去依据。换言之，向量库不是附属存储，而是连接“用户问题”和“知识证据”的检索层。

这也解释了为什么文档切分很关键。段落过长，单个向量会混入多个主题，匹配结果不够聚焦；切得过碎，必要的上下文又可能被拆散。合适的片段应尽量围绕一个可回答的信息单元，让检索结果既相关，又保留足够解释空间。

向量检索不是最终裁判

向量相近只表示语义相关，不等于内容一定能直接回答问题。实际流程中，检索出的多个片段需要经过筛选，再与用户问题一起交给生成模型。较少但高质量的证据，通常比大量边缘相关文本更有用；同时保留来源名称或编号，也便于核验模型的表述是否确有依据。

因此，评估 RAG 时不应只看生成文本是否通顺，还要追问三个问题：向量库是否收录了需要的知识，切分后的片段是否表达完整，以及检索结果是否真正覆盖了问题。前两者决定可检索性，后者决定答案的可信边界。