但对大部分开发者来说，搭一个RAG不难，怎么把它优化成生产可用的状态最难。
在这个过程中，检索效率、准确性、成本、响应速度，都是重点关注问题。
那么，如何对其进行优化？我们可以逐步对查询、索引、检索器、生成器以及RAG pipeline这五大环节分别进行优化。
接下来，本文将对此进行逐一解读。
以下是太长不看版：
01 查询策略优化
（1）假设性问题生成
做法：先用 LLM 为文档块生成潜在用户问题，RAG 阶段先做 query-to-query 检索，搜索到相关的假设问题，然后再找到对应的文档块，最后生成回答。
优势：query-to-query检索属于对称域内训练，比基于Q-A pair的“跨域(out-of-domain)”相似检索更直观，检索效果提升。
局限：需要额外生成问题，可能有幻觉；建议对此环节离线预处理。
class HypotheticalQuestionGenerator: def generate_questions(self, document_chunk): prompt = f""" 基于以下文档内容，生成3-5个用户可能询问的问题： 文档内容：{document_chunk} 问题： """ questions = self.llm.generate(prompt) return self.parse_questions(questions) （2）HyDE（假设性文档嵌入）做法：针对用户提问，LLM 先生成一个假答案（fake answer，可能是真，可能是假，但都不重要），再与 query 一起嵌入向量库检索。
优势：同假设性问题生成，answer-to-answer检索属于对称域内训练，可以显著提高缺乏标注数据情况下的检索召回率。
局限：引入生成开销和不确定性。
论文出处：《Precise Zero-Shot Dense Retrieval without Relevance Labels》。
（3）分解子查询
做法：复杂问题拆解为多个子查询，分别检索再综合。
优势：简化查询复杂度，提高检索相关性。
适用：功能对比、组合型问题。
举例：“Milvus和Zilliz Cloud功能差异是什么？"这样的复杂问题，将其分解为：
- 子查询1：“Milvus的功能特性有哪些？”
- 子查询2：“Zilliz Cloud的功能特性有哪些？”
然后向量数据库为每个子查询找到Top-K最相关的文档块；LLM使用这些信息生成更准确的综合答案。
（4）创建回退式提示词
做法：将复杂问题转化为更高层、更直观的问题。
优势：提升准确性，适合技术规格、容量边界类问题。
举例：把提问"我有100亿条记录的数据集，想存储在Milvus中进行查询，这可能吗？“这样的复杂查询，改为"Milvus能够处理的数据集规模上限是多少？”
02 索引策略优化
（1）自动合并文档块
做法：索引的创建分为 chunk 级别以及 parent chunk级别，如果召回的Top-K 中，某parent chunk下的子块超过阈值，就直接把parent chunk作为上下文信息提供给LLM。
优势：平衡检索精度与上下文完整性。
关键点：动态阈值调优，上下文不宜过长。
class HierarchicalChunkMerger: def merge_chunks(self, child_chunks, threshold=3): parent_chunk_count = {} for chunk in child_chunks: parent_id = chunk.parent_id parent_chunk_count[parent_id] = parent_chunk_count.get(parent_id, 0) + 1 # 选择超过阈值的父块 selected_parents = [pid for pid, count in parent_chunk_count.items() if count >= threshold] return self.get_parent_chunks(selected_parents)（2）分层索引构建
做法：为文档建立两级索引：摘要级别索引和文档块级别索引。检索时，先在摘要层级检索，再深入到对应文档块检索。
优势：适合海量数据与分层数据，尤其适合图书馆/知识库类场景。
风险：摘要质量直接影响效果，需要采用专门的摘要生成技术和质量评估机制。
（3）混合检索与重排序
做法：向量检索 + 全文检索，最后 rerank（RRF 或 Cross-Encoder）。具体参考实战Milvus 2.5：语义检索VS全文检索VS混合检索
优势：多路召回更全面，重排提升排序精度。
关键点：合理配置向量与全文检索对应的权重和参数。
03 检索器策略优化
（1）句子窗口检索Sentence Window Retrieval
背景：传统的向量检索通常以段落级或文档级为单位，这会导致：切的太粗，长段落里只有少量句子真正相关，从而引入大量噪声；切分太细，相关内容之间的联系丢失。
做法：以句子为单位检索，同时带前后若干句的上下文窗口。
优势：保证精细匹配，保留上下文，减少碎片化。
挑战：窗口大小需动态调整，避免上下文过长引入噪声，影响输出质量。
class SentenceWindowRetriever: def retrieve_with_window(self, query, window_size=3): # 检索核心句子 core_sentences = self.vector_search(query, top_k=5) # 扩展窗口上下文 expanded_results = [] for sentence in core_sentences: window_context = self.get_surrounding_sentences( sentence, window_size ) expanded_results.append(window_context) return expanded_results(2)元数据过滤
做法：做向量检索前，先基于元数据（时间、类别等）过滤。
优势：精准定位，适合金融/医药等领域。比如金融中检索某企业某一年财报中关于资产负债的描述。
难点：先做元数据过滤，再使用图索引算法，会导致图结构基本失联，可采用Alpha 策略、ACORN 、动态选择邻居解决。详情参考Milvus Week | 向量搜索遇上过滤筛选，如何选择最优索引组合？
04 生成器策略优化
(1)LLM提示压缩
背景：大模型提示词越长，对核心内容的权重分配越混乱，压缩上下文，可以帮助大模型更好捕捉重点。
做法：检索结果传给大模型前对上下文进行摘要/关键信息提取。
适用：长上下文/多文档、agent场景。
小tips：训练小模型来进行上下文压缩，压缩的核心技术包括关键信息提取、摘要生成和噪声过滤算法。
class PromptCompressor: def compress_context(self, retrieved_docs, max_length=2000): # 提取关键信息 key_info = self.extract_key_information(retrieved_docs) # 生成压缩摘要 compressed = self.summarize_content(key_info, max_length) return compressed(2)块顺序优化
**背景：**基于“Lost in the middle”现象，LLM会给上下文的开头和结尾更高的权重，忽略中间部分内容。
做法：将高置信度内容放在上下文的首尾位置。
05 RAG pipeline整体优化
(1)自反馈机制
做法：第一轮检索不佳时，触发二次检索或推理反思。常见的反思办法有，自然语言推理（NLI）模型或互联网搜索等。
应用：Self-RAG、Corrective RAG、LangGraph 等已有探索。
(2)智能查询路由
做法：在 RAG 之前设置 agent，分析、拆解用户意图，判断是否启用 RAG/子查询/网络搜索。
优势：避免在简单问题上滥用 RAG，提升整体效率和准确性。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括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免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
