RAG系统检索问题排查全流程指南

1. RAG检索问题排查全景指南

当RAG系统出现检索不到内容的情况时，90%的开发者会陷入"明明各个环节都检查过了"的困境。最近辅导的一位候选人恰好遇到了小米面试官提出的这个经典问题："当RAG系统返回空结果时，你会如何系统性排查？"这促使我整理出这份覆盖全链路的排查手册。

RAG系统的检索流程本质上是一个串联管道，从文档预处理到最终结果呈现要经历6个关键环节：

1. 原始文档处理与分块
2. 文本向量化编码
3. 向量存储与索引构建
4. 查询向量化与检索
5. 结果过滤与重排序
6. 结果组装与返回

其中任意环节出错，最终表现都是"检索不到"，但每个环节的排查策略截然不同。上周就遇到一个典型案例：用户反馈检索异常，最终发现是分块时误删了关键元数据，导致后续过滤条件永远不匹配。

2. 文档处理环节深度排查

2.1 分块策略验证

分块不当是检索失败的常见根源。曾有个金融问答项目，因直接采用固定512字符分块，导致财报中的表格数据被强行分割，关键数字分散在不同块中。建议通过以下方式验证：

python复制# 示例：检查分块后的文本连贯性
for i, chunk in enumerate(document_chunks):
    print(f"Chunk {i}: {chunk[:100]}...") 
    if len(chunk.split()) < 10:  # 检查是否存在过小的分块
        print("⚠️ Suspicious small chunk detected")

关键参数检查清单：

• 分块大小：一般200-1000字符（英文）或300-800汉字
• 重叠区域：建议10-20%的重叠比例
• 特殊内容处理：表格/代码是否保持完整

2.2 元数据完整性检查

某医疗项目曾因未保留文档来源字段，导致后续无法按科室过滤。必须验证：

1. 原始文档的标题、作者等基础元数据
2. 自动提取的创建时间、文档类型等衍生元数据
3. 自定义的业务标签（如产品分类、权限等级）

重要提示：检查分块时是否携带了足够的上层文档上下文。见过因分块工具配置错误，导致所有块丢失了原始文档ID的情况。

3. 向量化环节问题定位

3.1 嵌入模型适配性测试

不同模型对专业术语的编码效