标签 · RAG

让答案可核对：检索与生成之间的「证据表」

生成式回答难核对，解法是在检索与生成之间加一张证据表：抽取事实+出处+原话，程序做子串校验，只基于表写答案并标引用。本文给出字段设计、三步流程、三个收益与常见错

长文摘要流水线：切分、归并、校验、成稿

长文摘要单次调用做不到，要做成流水线。本文给出切分与分段摘要、分层归并、三类校验（数字/覆盖/格式）、成稿与引用要求、工程细节与验收方法。

把检索做成可评测的：召回、排序与答案三段分开测

检索效果要拆成召回、排序、答案三段分别评测，各自有指标与修法。本文给出每段的构造方法（含应命中片段标注）、三段分开测的收益与最小落地流程。

检索结果怎么排序：相似度不是唯一信号

向量检索默认按相似度排序，但「有用」还取决于时效、权威、覆盖与多样性。本文给出可配置的加权排序公式、去重与多样性重排的做法、四个常见错误，以及验证排序改动的最小

检索质量差，先别怪模型：文档解析与切分的五个检查点

检索效果差常源于文档形态错误：表格丢失、标题压平、半句切分。本文给出五个检查点（解析忠实度、切分语义、块大小分布、元数据、可引用性）与最小验收流程。

上下文窗口不是越大越好：长上下文里的「中间遗忘」与应对

把资料全塞进超长上下文，常常不如少而准地检索。本文讲清「中间遗忘」现象、它在工程上的表现，以及定位信息、分块摘要、分段提问三类可落地做法。

向量索引怎么选：HNSW、IVF 与量化索引的取舍

向量检索的性能瓶颈通常在索引而不是模型。本文对比 HNSW、IVF 与量化三类索引的取舍，给出按数据规模选型的判断顺序，并说明「先过滤再检索」为何容易踩坑。

模型为什么会「编」：三类幻觉成因与可落地的抑制手段

把幻觉当成单一故障会修错方向。本文按「知识缺失 / 上下文冲突 / 任务越界」三类成因拆开，各给可落地的抑制手段，并说明哪些手段只是把错误变成「不确定」。

RAG 的切分策略怎么选：固定长度、按标题、按语义的取舍

切分粒度太粗会把无关内容一起塞进上下文，太细又会让一句话脱离前提。本文对比固定长度、按标题层级、按语义三种做法，给出选择依据与可落地的默认值。

混合检索为什么比纯向量检索更稳：关键词与向量的分工

纯向量检索擅长语义相近，但对精确术语、编号、罕见词容易漏；关键词检索（BM25）恰好相反。把两路结果合并再重排，能同时覆盖这两类查询。本文讲清分工、合并方式与常