RAG系统召回优化：RRF与Rerank技术解析

1. 为什么RAG系统的召回结果总是不尽如人意？

在构建RAG（检索增强生成）系统时，很多开发者都会遇到一个令人头疼的问题：明明检索到的文档看起来与问题相关，但最终生成的回答却常常偏离主题。这种现象背后隐藏着一个关键认知误区——我们往往过于关注"是否检索到相关文档"，而忽视了"如何对检索结果进行合理排序"。

想象一下图书馆管理员的日常工作。一个好的管理员不仅要知道哪些书可能与读者的问题相关，更重要的是能够从这些书中挑选出最匹配的那几本。如果管理员只是简单地把所有可能相关的书堆在读者面前，读者反而更难找到真正需要的答案。RAG系统面临的挑战与此类似。

1.1 召回与排序的本质区别

在LangChain4j框架中，ContentRetriever负责召回可能的候选文档，这相当于图书馆的检索系统。但真正决定最终回答质量的，是ContentAggregator对召回结果的聚合和排序能力。当前默认的DefaultContentAggregator采用了两阶段RRF（倒数排名融合）算法，而更高级的ReRankingContentAggregator则可以进行语义重排。

常见的问题场景包括：

• 向量检索Top5中只有1-2条真正有用的文档
• 简单问题因召回偏差导致模型"一本正经地胡说八道"
• 想引入重排又担心系统复杂度和成本飙升

这些问题的根源在于：我们给大模型提供的上下文质量，直接影响着生成结果的质量。就像你不能指望一个厨师用变质的食材做出美味佳肴一样，我们也不能指望大模型从低质量的上下文中生成准确的回答。

2. RRF：朴素但强大的多路召回融合算法

2.1 RRF的核心原理

RRF（Reciprocal Rank Fusion，倒数排名融合）是一种简单却异常有效的算法。它的核心思想是：不依赖不同检索系统的绝对分数，而是通过文档在各路召回结果中的相对排名来进行融合。

RRF的典型计算公式如下：

code复制RRF_score(d) = Σ(1/(k + rank_i(d)))

其中：

• d表示某篇文档
• rank_i(d)表示该文档在第i个召回列表中的排名
• k是平滑参数（通常取60）

这个公式的巧妙之处在于：

1. 它给予高排名文档更大的权重（倒数关系）
2. 通过平滑参数k避免