RAG 系统优化实战：从 60% 到 95% 的检索准确率提升

背景

RAG（检索增强生成）已成为企业级 AI 应用的标配架构。然而，一个"能用"的 RAG 系统和一个"好用"的 RAG 系统之间，往往存在巨大的质量鸿沟。

问题诊断

我们的初始系统检索准确率仅为 60%，主要表现为：

优化策略

1. 智能分块策略

放弃固定长度分块，采用基于语义的分块方法：

from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(
    chunk_size=512,
    chunk_overlap=50,
    separators=["\n\n", "\n", "。", "，", " "]
)

2. Embedding 模型升级

从通用 Embedding 模型切换到针对中文优化的领域模型，检索相关性显著提升。

3. 混合检索 + 重排序

结合向量检索和关键词检索，再通过 Cross-Encoder 进行重排序。

效果验证

经过系统优化，检索准确率从 60% 提升到 95%，用户满意度大幅提升。

经验总结