漫步云间ing1. RAG系统召回质量问题的本质剖析
在RAG（Retrieval-Augmented Generation）系统的实际应用中，最令人头疼的问题莫过于：系统召回了20条相关内容，结果发现其中15条都是毫无价值的"垃圾"信息。这种情况不仅浪费计算资源，更会直接影响最终生成内容的质量。究其根源，问题通常出在以下几个环节：
1.1 向量相似度检索的固有缺陷
当前主流的RAG系统普遍采用向量相似度作为召回标准，这种方法存在两个先天性不足：
-
语义鸿沟问题：文本被编码为向量后，原始语义信息会有损失。例如"机器学习"和"深度学习"在向量空间可能距离很近，但在某些场景下它们代表完全不同的概念层级。
-
关键词绑架现象：某些高频但低质的词汇会主导相似度计算。比如一篇讨论"Python编程技巧"的文章如果反复出现"Python"这个词，即使用户查询的是"Java性能优化"，也可能因为编程语言的共性词汇而被错误召回。
实测案例：使用开源的sentence-transformers/all-MiniLM-L6-v2模型，查询"如何优化Java内存管理"，结果召回了大量包含"内存"但实际讨论C++的文章，仅因为都含有"指针"、"堆栈"等术语。
1.2 多路召回策略的副作用
为提升召回率，现代RAG系统常采用多路召回策略（如同时使用BM25和向量检索），这带来了新的问题：
- 召回结果冗余：不同召回路径可能返回相似的低质量内容
- 排序标准冲突：文本匹配分数与向量相似度无法直接比较
- 噪声叠加效应：各路召回中的噪声会相互强化
下表对比了单路与多路召回的典型问题：
| 召回策略 | 优点 | 质量问题表现 |
|---|---|---|
| 纯向量召回 | 语义理解强 | 易受高频词干扰 |
| 纯关键词召回 | 术语精确 | 缺乏语义扩展 |
| 混合召回 | 查全率高 | 低质结果重复出现 |
1.3 领域漂移引发的匹配偏差
当预训练的嵌入模型与应用领域存在差异时，会产生系统性偏差。例如：
- 通用模型在医疗领域可能将"流感"和"感冒"编码得过于接近
- 法律场景下，"合同"与"协议"的细微差别可能被忽略
- 金融领域中，"股票"与"债券"的