RAG 全链路：解析、切分、召回、拼装

读完这一节，你能做到

1. 说清 RAG 四个环节各自负责什么、最容易坏在哪。
2. 判断一次"答错"到底出在解析、切分、召回还是拼装。
3. 用结构优先的策略切分文档，而不是按字数硬切。
4. 在拼装环节把引用、边界与"没有答案"的表达做对。

一、RAG 到底在解决什么

模型的知识固化在参数里，有两个逃不掉的问题：截止时间和不可核对。

RAG 的思路是：把知识放在外部，检索出相关片段，再让模型基于片段回答。它换来三件事：

• 知识可更新（改文档即生效，不用重训）。
• 答案可核对（能给出处）。
• 权限可控（检索时按用户过滤）。

代价是：多了一条链路，而链路上每个环节都会引入新的失败方式。

二、四个环节与各自的失败

环节	做什么	典型失败
解析	把 PDF/网页/表格转成文本	表格被拍平、页眉页脚混入、图片字丢失
切分	把长文切成可检索的块	一句话被截断、标题与内容分离
召回	找出最相关的几块	该拿的没拿到、拿到一堆相似的噪声
拼装	组织成模型能用的上下文	片段太多被稀释、没要求引用、顺序混乱

一个反直觉的事实：多数"答得不对"，问题都不在模型。先把召回的原文打出来看，答案在不在里面——这一步能省掉大量无效调参。

三、解析：别让上游毁掉下游

优先做的三件事

1. 保留结构：标题、列表、表格要保留层级信息，别全部拍成纯文本。
2. 去掉噪声：页眉页脚、页码、导航栏、版权声明，统一剥离。
3. 表格单独处理：表格要么整块保留，要么转成"字段-值"的结构化文本，不要按字数切。

图片与扫描件

如果需要处理的资料里有大量扫描件，先确认有没有可用的文本层；没有的话，OCR 质量会直接决定整个系统的上限。

四、切分：按结构，不按字数

判断标准只有一个：单独拿出这个块，能不能表达一个完整意思？

优先级

1. 按标题层级切（一级/二级/三级）。
2. 按段落切；段落过长再按句子边界切。
3. 表格、代码块整块保留。
4. 最后才用长度兜底，并保留 10%-20% 重叠。

每个块要带的元数据

• 来源（文档 id、标题路径）
• 更新时间
• 权限标签（哪些用户能看）
• 块序号（用于回取上下文）

没有这些，"引用"和"回取整节"都做不了。

五、召回：先混合，再重排

单靠向量有两个硬伤：精确词抓不住（型号、编号、错误码）、同类文档互相挤占（top-k 全是同一个调子）。

做法

1. 两路召回：向量 + 关键词（BM25 一类），各取 20-50 条。
2. 合并去重：两路结果按名次融合，而不是简单拼接。
3. 重排：用重排模型对候选逐条打分，取前 3-5 条。
4. 元数据过滤：先按权限、时间、类型过滤，再检索。

这四步里，重排的性价比最高——通常比换更大的向量模型更有效。

六、拼装：模型看到什么，决定它怎么答

四条规则

1. 片段要带标识：[1] 来源：某某政策 2026-03。不带来源，模型就没法引用。
2. 指令要明确：只根据下列资料回答；资料里没有就说没有，不要推测。
3. 顺序有意义：最相关的放最前，关键约束放首尾（中间容易被忽略）。
4. 数量要克制：3-5 条足够。给十条，噪声会压过答案。

"没有答案"要单列

这不是一句提示词就够，要在工程上兜住：检索结果为空、或最高分低于阈值时，直接返回兜底话术，不要交给模型自由发挥。

七、最小可用实现路径

按这个顺序做，每一步都能独立验证：

① 选 20 份真实文档，跑通解析，人工检查文本质量
② 按标题切分，人工检查前 50 个块是否语义完整
③ 只做向量召回，取 top-5，人工看命中率
④ 加关键词召回与重排，再对比命中率
⑤ 拼装时加引用与"没有答案"兜底
⑥ 建 50 条评估集，之后每次改动都跑

不要跳的步骤：第 ① 和第 ②。上游脏，下游怎么调都是白费。

八、常见坑

1. 一上来就调向量参数。 先确认解析与切分是干净的。
2. 按固定字数切分。 语义被切断，后面怎么检索都补不回来。
3. 只做向量召回。 精确查询场景会大面积失效。
4. top-k 给到 10 条以上。 噪声挤占上下文，成本还翻倍。
5. 拼装时不给来源。 模型只能凭记忆答，等于没用上 RAG。
6. 没有"没有答案"的兜底。 检索为空时模型一定会编。

九、动手任务：自写 → AI 写 → 对比 → 取舍

四步不跳：① 自己写（限时，关掉补全）→ ② 让 AI 写同一题 → ③ 逐条比对 → ④ 说出保留谁的写法。

① 自己写

1. 拿一份真实文档（带表格最好），手工切出 5 个块，说明每个块的边界为什么这么定。
2. 写一段拼装模板：片段怎么标注、指令怎么写、检索为空时怎么答。

② 让 AI 写同一题

把第 1 题交给 AI，补一句 按“标题层级 → 段落 → 表格处理”说明切分理由，并指出哪些位置容易被切断。

③ 对比要盯的点

• 它的切分是不是按字数均分？
• 有没有处理表格与代码块？
• 它有没有说明"块要带哪些元数据"？

④ 一句话取舍

它切出来的块，单独拿出来能看懂吗？不能的话，你会怎么改？

十、自测

1. RAG 换来哪三件事？代价是什么？
2. 四个环节各自的典型失败是什么？
3. 判断切分是否合理的标准是什么？
4. 为什么说重排的性价比最高？
5. 拼装环节的四条规则是什么？
6. 检索为空时，为什么必须工程兜底而不是只写提示词？

参考答案要点：可更新、可核对、权限可控，代价是多一条链路；解析/切分/召回/拼装各有失败模式；单独拿出能否表达完整意思；比换向量模型更有效；带标识、明确指令、顺序、数量克制；模型在空上下文下一定会编。

配套题目

★ 越多越该先背；点题目可看完整答案与深入版。

• ★★★★★ RAG 全链路里哪一步最容易出问题？
• ★★★★☆ 文档切分的 chunk 大小和重叠怎么定？
• ★★★★☆ 表格、代码、扫描件这类资料怎么进 RAG？
• ★★★★★ 向量检索为什么经常“召回到了但不相关”？