知识库答不准｜RAG效果不好，八成不是模型的问题
很多团队做知识库问答，第一反应是换个更强的模型。但真拆开看，问题八成不在模型。 按影响程度排，通常是这几个： 📌 切分切错了 把一份制度文件按固定字数切，一句话被切成两半，检索到也没意义。切分要按语义、按条目，不是按长度。 📌 检索只做了向量 纯向量检索对精确匹配很弱——查报销上限是多少，向量可能召回一堆讲报销流程的段落。关键词检索+向量混合，效果差很多。 📌 元数据没用起来 部门、时间、文档类型这些字段不加进去，检索时就没法过滤。用户问今年的政策，系统还是把三年前的捞出来。 📌 召回数量拍脑袋 top-k 设成 3 或 10 全凭感觉。取太少漏信息，取太多噪音淹没重点。 📌 没有兜底 检索不到就说不知道，或者干脆让模型自由发挥——后者最要命，答得像真的，但全是编的。 一句话：RAG 是个工程活，模型只是其中一环。先把数据处理干净、把检索做扎实，再谈换模型。 我们做多模型聚合接入，一个接口可以试不同模型，方便对比哪个在你的知识库上表现更好。 官网：https://linghusuanli.com
#RAG#技术实践#检索增强#知识库