前言

“ RAG最终的评判标准只有一个——召回精度，RAG所有的技术都是围绕着怎么更快更准确的召回数据。”

RAG增强检索的核心指标只有一个——召回准确率；对于RAG技术来说，最重要的事情就是其召回数据的准确性；而怎么提升其召回准确率，方法只有两个，一个是左侧增强，一个是右侧增强。

所谓的左侧增强就是文档处理处理，怎么更好的处理复杂文档；而右侧增强就是召回侧的召回策略。

今天，我们就来讨论一下RAG的召回策略问题。

RAG的召回策略

数据召回本质上就是数据查询的一种方式，RAG比较特殊的一点就是不仅仅支持传统的字符匹配检索，同时支持基于向量计算的语义检索方式。

对RAG技术刚入门的人来说，召回方式很简单；不就是把用户问题通过嵌入模型进行向量化，然后把向量化的结果去向量数据库中进行匹配即可。

这种方式虽然没错，但其效果往往却不尽人意；因此，在企业级应用中会有更多的召回策略。

今天，我们就来列举几个常见的召回策略。

意图识别

对RAG应用来说有一个非常不可控的因素就是——用户；因为没人能控制用户的输入行为，因此这里就会有一个问题。就是用户的提问很不专业，比如说可能存在错别字，词不达意，或者一堆废话的长篇大论。

由于上述原因就会导致一个问题，由于用户的意图不清晰，导致进行语义匹配时，无法准确命中目标，甚至无法召回数据；这也是为什么有些新手会遇到明明库中有数据，但获取的结果却是空的。

因此，在用户提出问题时，我们首先要做的并不是直接embedding，然后进行相似度计算；而是应该把用户的输入提交给模型，让模型去优化用户的问题，以此来获取更精确的问题，然后提升召回准确度。

问题分解成多个子问题

当然，只对用户问题进行优化虽然能部分提升召回准确度，但有一个问题就是一个问题的覆盖范围有限；简单来说就是，同一句话可以有多个不同的表达方式，我们应该针对一个问题，从多个维度进行召回。

而这就需要用到问题分解的方法论，具体执行流程就是，把用户的问题输入给模型，然后让模型去理解问题，然后再围绕这个问题，再提出多个相似性的问题。

然后再通过这多个问题，从多个维度去数据库中进行召回，这样就能大大提升召回精度，并且能够覆盖更广的范围。

假设性文档召回——hyDE

所谓的假设性文档召回，就是大模型和人类一样，通过训练之后它有一定的知识基础；一些常识性问题，不需要RAG大模型也可以进行简单回答；因此，为了提升召回的准确率，我们可以先让大模型对用户的问题进行简单的回答，然后用大模型回答的结果当做条件(问题)，去数据库中进行检索。

这种方式就类似于，你遇到一个问题，老师给你提供了一个大概的思路，然后你按照这个思路去找资料，解决问题；这样找资料的方向更明确，结果也更准确。

上下文召回

所谓的上下文召回就类似于大模型的记忆功能；我们都知道大模型是没有记忆的，因此需要把每轮对话给保存下来，然后作为上下文让大模型来回答问题。

同样，在RAG中也可以使用这种方式；举例来说，用户连续两个问题可能语义上并不相关，但内在上却有联系；比如说，用户的第一个问题是现在的油价情况，第二个问题是国产车的市场价；从语义上来说，两个问题关联性不大，毕竟一个是问油价，一个是问车价；但通过这两句话我们应该都能明白，用户大概率是想买车或者换车。

但对大模型来说，这两个问题的虽然有一定的关联性，但关联性并不强，因此如果把两个问题放一块；然后让模型根据这两个问题，去优化出一个新的相关性问题，这样准确度是不是会更高。

而这就是上下文召回，通过给模型提供上下文，让模型能够更好地生成新的问题或相关性问题，这样就能大概率提升召回的准确度。

rerank——重排序

通过以上多个召回策略召回数据之后，可能会面临一个问题那就是召回的数据太多，甚至很多可能是重复的数据；因此，我们需要对召回数据进行去重，并进行重排，以此来提升召回数据的准确性。

当然，虽然以上召回策略能够提升RAG的准确度，但同样也会带来很多问题，因此我们在使用的过程中需要多注意和调整。

比如说，由于召回的链路过长，导致响应慢的问题 ，因此我们需要控制模型的输出长度，以及生成问题的个数和问题长度等。比如拆分子问题时，只需要生成三到五条问题，且每个问题的长度不超过十个字等等。

当然，关于RAG的召回策略还有很多，我们可以在不同的业务场景中选择合适的召回策略；而以上几个策略，相对来说比较简单，且易于实现，成本可控。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了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 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】