生产级检索增强生成（RAG）与知识系统
混合检索、重排与查询改写
学习目标
- 理解关键词检索和向量检索各自适用场景。
- 能设计 retrieve、merge、rerank 的基础流程。
- 知道查询改写如何提升模糊问题召回。
核心概念
向量检索擅长语义相近，关键词检索擅长精确命中。用户问“怎么撤销付款”，向量可能命中“退款流程”；用户问“SSO SAML 配置”，关键词往往更可靠。生产系统通常需要混合检索。
混合检索先从多个召回器拿候选片段，再合并、去重、归一化分数。Rerank 再对候选片段和用户问题做更细的相关性判断，把最适合进入上下文的片段排到前面。
查询改写解决用户输入和知识库表达不一致的问题。例如用户问“项目怎么交”，可以改写为“项目提交要求 交付物 运行说明 验收标准”。
示例与拆解
一个查询链路可以这样组织：
1{ 2 "query": "项目怎么交", 3 "rewritten_queries": ["项目提交要求", "项目交付物 运行说明 验收标准"], 4 "retrievers": ["keyword", "vector"], 5 "merge": "dedupe_by_chunk_id", 6 "rerank_top_n": 20, 7 "context_top_k": 5 8}
如果 keyword 命中“提交要求”，vector 命中“交付物定义”，重排器应该根据问题把包含提交材料、运行说明和验收标准的片段排前。
常见误区
- 误区一：只用向量检索。精确术语、错误码、产品名和 API 名称常常需要关键词。
- 误区二：把 rerank 当召回。候选池里没有正确片段，重排也救不了。
- 误区三：查询改写自由发挥。改写必须保留用户意图，不能加入不存在的假设。
小练习
为“项目提交要求”设计一个混合检索流程，写出原始查询、改写查询、关键词召回、向量召回、合并和重排规则。
实操检查点
准备 5 个用户口语化问题，为每个问题写出应该命中的 chunk id。再说明 keyword、vector、rerank 各自负责什么。
1问题：最后要交哪些东西？ 2改写：项目提交要求 交付物 运行说明 3期望命中：project_ai_knowledge_assistant_deliverables
如果一个问题完全依赖模型猜，说明知识库表达或查询改写还不稳定。
随堂测验
完成本章测验，重点检查你是否理解多路召回和重排的分工。
本章总结
生产级检索增强生成需要组合关键词、向量、查询改写和重排。正确片段先被召回，才有机会被模型使用。
下一步学习指引
下一章学习增量索引、回收策略和质量回归，解决知识持续变化后的稳定性。