01

RAG常见痛点分析及建议方案

失败痛点	痛点描述	优化建议 / 解决方案
1. 内容缺失 (Missing Content)	知识库中不存在回答问题所需的知识。	1. 增加知识库：将相关文本加入向量库。 2. 数据清洗与增强：提高输入数据质量。 3. 优化 Prompt：引导模型在无答案时回答“无法回答”，防止胡乱回答。
2. 文档加载准确性与效率	文档格式不一导致读取效果差。	1. 优化读取器：针对不同文档格式设计专门的读取器。 2. 数据清洗：对原始数据进行预处理。
3. 切分粒度问题	文档切分方式影响语义连贯性与模型表现。	1. 结构化分块：利用 HTML/Markdown 标题段落保持逻辑。 2. 递归分块：按段落、换行、空格等规则不断细分。 3. 优化 Chunk Size：匹配嵌入模型最佳输入大小（如 256/512）。 4. 内容重叠 (Overlapping)：保持块间语义连贯。
4. 错过排名靠前的文档 (Missed Top Ranked)	知识块存在但向量相似度排名靠后，导致无法召回。	1. 增加召回数量：提高 TopK 召回阈值（如从 3 增加到 5）。 2. 重排 (Reranking)：利用 Reranker 重新评估候选块的相关性。
5. 提取上下文与答案无关 (Not in Context)	召回的内容无法有效支持答案生成。	这是“内容缺失”或“错过排名靠前文档”的具体体现。
6. 格式错误 (Wrong Format)	模型输出未遵循要求的格式。	1. Prompt 调优：明确格式要求。 2. 格式验证：使用 Pydantic 等工具进行校验。 3. 自修复 (Auto-Fixing)：对不合规格式进行自动修正。
7.答案不完整 (Incomplete)	回答遗漏部分信息或过于片面。	1. 引导用户：鼓励一次提问一个问题。 2. 问题拆分：将复杂问题拆分为子问题，汇总后再回复。
8.提取到答案 (Not Extracted)	模型在提供的上下文中未能找到正确答案。	1. 更换模型：使用推理能力更强的大模型。 2. 增强聚焦：在 Prompt 中强调必须基于上下文，或对关键句加粗。
9.答案太具体或太笼统 (Incorrect Specificity)	回答的详略程度不符合预期。	1. 改善提示词：在 Prompt 中明确要求的特异性程度。 2. 提升基座能力：使用更高水平的底座模型。

02

高级RAG

Advanced RAG重点聚焦在检索增强，即优化Retrieval阶段。增加了Pre-Retrieval预检索和Post-Retrieval后检索阶段，同时对检索本身也有优化。

1. 预检索过程优化/检索前优化(Pre-Retrieval)

高级RAG着重优化了索引结构和查询的方式。优化索引旨在提高被索引内容的质量，包括增强数据颗粒度、优化索引结构、添加元数据、对齐优化等策略。查询优化的目标则是明确用户的原始问题，使其更适合检索任务，使用了查询重写、查询转换、查询扩展等技术。下面讲述索引优化和查询优化的方式：

1.1 摘要索引

1.2 父子索引

1.3 假设性问题索引

1.4 元数据索引

1.5 Enrich完善问题

1.6 多路召回

1.7 多路召回

2. 检索优化(Retrieval)

检索阶段的目标是确定最相关的上下文。通常，检索基于向量搜索，它计算查询与索引数据之间的语义相似性。因此，大多数检索优化技术都围绕嵌入模型展开，比如微调嵌入模型，将嵌入模型定制为特定领域的上下文，特别是对于术语不断演化或罕见的领域。还有其他检索技术，例如：混合搜索，通常是指将向量搜索与基于关键字的搜索相结合的概念。

3. 后检索过程优化/检索后优化(Post-Retrieval)

对于由问题检索得到的一系列上下文，后检索策略关注如何优化它们与查询问题的集成。这一过程主要包括重新排序、RAG-Fusion和压缩上下文。重新排列检索到的信息，将最相关的内容予以定位标记，这种策略已经在LlamaIndex2、LangChain等框架中得以实施。有时直接将所有相关文档输入到大型语言模型（LLMs）可能导致信息过载，为了缓解这一点，后检索工作集中选择必要的信息，强调关键部分，并限制了相应的上下文长度。

3.1 重排（Reranking）

3.2 RAG-Fusion 3.3 压缩上下文 -End-

2026年AI行业最大的机会，毫无疑问就在应用层！

字节跳动已有7个团队全速布局Agent

大模型岗位暴增69%，年薪破百万！

腾讯、京东、百度开放招聘技术岗，80%与AI相关……

如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的 大模型应用开发工程师 **，**却极度稀缺！

落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：

✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑

✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……

✅微调：针对特定任务优化，让模型适配业务

目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！

技术的稀缺性，才是你「值钱」的关键！

具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻

AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

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】

⭐️从大模型微调到AI Agent智能体搭建

剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！

大模型微调

• 掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。

• 学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。

RAG应用开发

• 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
• 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。

AI Agent智能体搭建

• 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
• 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。

如果你也有以下诉求：

快速链接产品/业务团队，参与前沿项目

构建技术壁垒，从竞争者中脱颖而出

避开35岁裁员危险期，顺利拿下高薪岗

迭代技术水平，延长未来20年的新职业发展！

……

那这节课你一定要来听！

因为，留给普通程序员的时间真的不多了！

立即扫码，即可免费预约

「AI技术原理 + 实战应用 + 职业发展」

「大模型应用开发实战公开课」

👇👇

👍🏻还有靠谱的内推机会+直聘权益！！

完课后赠送：大模型应用案例集、AI商业落地白皮书