如何提升 RAG 检索的效果及优化实践

提升RAG检索的效果，是构建高质量问答系统的核心。下面我会从数据质量、检索策略、索引优化三个层面，分享一些经过验证的优化实践，其中也会特别考虑中医领域的需求。

一、源头治理：优化数据质量与分块策略

检索效果的上限，取决于索引数据的质量。

• “五良”分块法：根据文档特点选择策略。**小型块（128-256 token）**适合精准匹配（如方剂组成）；语义块保留自然段落完整性，适合复杂论述；**滑动窗口（15-20%重叠）**避免关键信息被切断，适合检索条件密集的文本。
• 元数据与结构化：为每个块附加来源、章节、实体标签（如含有的方剂）等信息，支持在检索前通过元数据过滤缩小范围，既提升精度也提高速度。
• 丰富与增强：对简略的原文（如古籍条文），可补充现代译文或名家注解；对医案等，可将其拆解为症状、舌脉、辨证、方药等结构化字段分别索引。

二、策略升级：从单一向量到混合检索

只依赖向量检索，容易漏掉关键词精确匹配。混合检索是提升召回的利器。

• 混合检索（Hybrid Search）：结合向量检索（语义相似）与关键词检索（BM25）（词法匹配），通过倒数排序融合（RRF）或加权合并结果，能有效兼顾“脖子发僵”和“麻黄汤”两类不同查询。
• 查询优化：
  • 查询重写：在多轮对话中，将“它的剂量呢？”重写为独立的“麻黄汤的剂量是多少？”。
  • 查询扩展：利用同义词表（如“便秘”=“大便难”）扩展查询，提升召回。

三、精排：用重排序（Reranking）提升精度

初筛的Top K结果可能包含噪声，重排序能精细化调整，确保最相关的内容排在前面供模型生成答案。

• 实现方式：先用轻量检索取回Top 100（甚至200）个候选，再用强大的**交叉编码器（Cross-Encoder）**逐对计算相关性，重新打分后取Top 5-10。
• 关键点：Rerank模型（如bge-reranker-v2）比双编码器更准，建议直接使用。如果有中医数据，微调一个专用Reranker效果更佳。

四、模型与索引调优

• Embedding模型选型：通用模型（如BAAI/bge-large-zh-v1.5）是良好起点。若追求极致，可用中医语料微调领域模型。同时注意动态量化以平衡速度与精度。
• 索引参数调优：调整nlist（聚类中心数）和nprobe（搜索中心数），在检索速度和召回率间找到平衡点。

五、中医领域专项优化

• 术语归一化：用户口语（“后脖子发僵”）和古籍术语（“项强”）常不匹配。可建立一个映射表，在检索前进行术语转换。
• 条文特殊处理：短小的古籍条文直接检索效果差。可为条文生成一句话摘要（如“太阳中风，桂枝汤主之”），检索摘要再映射回原文。
• 医案按需检索：允许用户按“症状”、“方剂”等不同字段检索，或加权组合，满足“有哪些用麻黄的医案”这类精准需求。
• 别名自动扩展：针对中药别名（如“山茱萸”即“枣皮”），在查询时自动扩展，避免漏检。

六、评估驱动的持续迭代

优化是一个闭环过程，需要数据驱动。

• 构建黄金测试集：准备200个典型问题，并人工标注出对应的理想文档块（Golden Chunks）。
• 关注核心指标：**命中率（Hit Rate）**关注是否召回正确答案；**平均倒数排名（MRR）**关注正确答案的排位。
• 分析Bad Case：定期分析失败案例，并针对性地优化数据或策略。

总结：优化路径建议

1. 诊断基线：先分析是“没召回到”还是“排序太靠后”。
2. 数据先行：检查数据清洗和分块，这是最根本的。
3. 引入混合检索：快速提升召回率。
4. 加入重排序：提升Top结果质量。
5. 精细化：根据Bad Case进行查询重写、术语归一化等专项优化。

如果你在某个具体环节（比如如何构建中医同义词表）遇到困难，我们可以继续深入探讨。