收藏级 | 从小白到精通：RAG系统调优3大方向与实战技巧
前言
RAG是一个系统性工程，要达到较好的检索结果，需要不断地对细节进行优化。为此，我整理了RAG高级技术与调优的系统方法，主要分为以下三个方向：
- •1.知识库处理
- •2 .高效召回
- •3 .图谱检索
一、知识库处理
1.知识库问题生成
当用户提问与知识切片的相似度不高时，通过AI为每个知识切片生成可能的问题，通过问题与问题的匹配来提高检索准确度。
举例如下：
民用建筑规范条文原文：
6.6.2 卫生器具配置的数量应符合国家现行相关建筑设计标准的规定。男女厕位的比例应根据使用特点、使用人数确定。在男女使用人数基本均衡时，男厕厕位(含大、小便器)与女厕厕位数量的比例宜为1：1～1：1.5；在商场、体育场馆、学校、观演建筑、交通建筑、公园等场所，厕位数量比不宜小于1：1.5～1：2
根据以上条文，生成三种类型的问题
1.直接问
问：根据《民用建筑设计统一标准》，在商场、体育场馆这类场所，女厕位数量与男厕位（含小便器）数量的比例最低不应小于多少？
2.对比问
问：在设计办公楼的厕所和商场的厕所时，规范对男女厕位比例的要求有什么不同？
3.场景问
问：我正在为一个大型体育馆设计公共厕所。根据《民用建筑设计统一标准》，在规划男、女厕位数量时，我应该遵循怎样的比例要求来确保满足规范并避免女性排队过长？
将以上生成的问题与原知识切片与进行拼接，然后再做向量化。这样可以大幅提升检索准确率。
2.对话知识沉淀
产品上线后每天产生大量对话，其中隐藏着高频问题、用户真实需求、最新信息，从这些对话中提取和沉淀有价值的知识，持续丰富知识库。对于建筑规范问答而言，高频问题以及用户的场景化描述是最有价值的信息。
针对高频问题
针对高频问题对应调整知识切片，可增加高频问题回答正确率，从而高效优化产品提升用户满意度。
用户场景化描述
用户的场景化描述一般都都明确指向了规范理解的重点和难点，这恰恰也是RAG系统需要处理的重点与难点。
例如：
1.“我想在商业综合体顶层加个员工餐厅（目标），但原设计是办公（约束），防火分区怎么调整？（核心问题）“。这是最经典的场景化需求。
2.“…和…有矛盾时，以哪个为准？”：揭示了规范冲突点或用户理解难点。
3“除了…规定，有没有更经济的做法？”：揭示了成本敏感型需求。
3.知识库健康度检查
对整个知识库进行健康度检查，找出缺少的知识、过期的知识、冲突的知识，确保知识库的质量和可靠性。
- • 完整性：是否可以覆盖用户高频问题？
- • 时效性：建筑规范是否为最新版本？
- • 一致性：是否存在规范冲突？
4.知识库版本管理与性能比较
对知识库进行版本管理，实现回归测试、上线前验收，并比较不同版本的知识库性能，选择最优版本。
- • 版本对比：识别新增、修改、删除的知识切片；
- • 性能测试：在相同测试集上比较准确率与响应时间；
- • 回归验证：确保更新不会破坏原有问答能力。
二、高效召回
1.查询扩展
使用大模型将用户查询改写成多个语义相近的查询，提升召回多样性。在 LangChain旧版本中提供了MultiQueryRetriever支持多路查询召回，新版本需要自己编写
简单来讲，就是一个问题变为多个问题，通过多路召回，提高覆盖度。
例如：
原始问题：楼梯踏步高度是多少？
扩展后多个问题：
1.楼梯踏步高度有什么规定？
2.踏步高度允许范围是多少？
3.民用建筑楼梯踏步尺寸要求
4.楼梯踏步高度限制
将以上4个问题同时去知识切片中检索，得到的内容一定要比一个问题去检索来的更为全面。
2.混合检索
- • BM25：擅长精确匹配术语，也就是关键词检索
- • 向量检索：使用语义相似度去匹配，也就是模糊检索
通常情况下，两者需要混合使用，两者分数加权融合，可根据场景更改权重。专业文档、法规查询权重偏向BM25，口语化、泛化查询权重偏向向量检索。
通过两者的配合可以极大的提高检索的准确率。
3.重排序
重排序Rerank主要用于优化初步检索结果的排序，提高最终输出的相关性或准确性。
重排序模型的精度和准确性要大于向量模型。如果你的个人知识库文档数量有限，且你并不介意成本和响应时间，那么在召回时可以直接使用重排序模型，筛选出最相关的知识切片。
一般的，还是先进行向量检索，再对召回的相关候选切片进行精细打分和重新排序。
4.其他召回策略
- • 双向改写：将查询扩展为文档，或为文档生成关联查询
- • small-to-big：特别适用于处理长文档或多文档场景。核心思想是通过小规模内容（如摘要、关键句或段落）建立索引，并链接到大规模内容主体中。
三、GraphRAG
GraphRAG的核心创新在于，它先利用知识图谱对文档库进行深度建模，将非结构化的文本转化为结构化的知识网络，然后基于这个图谱进行检索和推理。
传统 RAG：就像一个只能通过关键词在图书馆目录中搜索，然后找到几本相关书页的助手。
GraphRAG：则像一位已经读完了整个图书馆的书，并画出了一张详细“知识地图”的专家。当你提问时，他不仅找到相关知识点，还能根据地图理清来龙去脉和整体脉络。
普通人如何抓住AI大模型的风口？
领取方式在文末
为什么要学习大模型？
目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。
目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。
随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
最后
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
大模型全套学习资料展示
自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！
01教学内容
从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！
大量真实项目案例：带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
02适学人群
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
03入门到进阶学习路线图
大模型学习路线图，整体分为5个大的阶段：
04视频和书籍PDF合集
从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
05行业报告+白皮书合集
收集70+报告与白皮书，了解行业最新动态！
0690+份面试题/经验
AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）
07 deepseek部署包+技巧大全
由于篇幅有限
只展示部分资料
并且还在持续更新中…
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】