尧图网页设计 
前言在实际项目中RAGRetrieval-Augmented Generation系统的检索阶段往往是影响生成效果的核心环节。RAG 系统的工作流程包括数据摄取Data Ingestion和数据查询Data Querying其中检索是至关重要的一步。本文介绍了在一个案例中团队如何通过2个关键技巧把 RAG 检索准确率从 50% 提高到 95 %1. 什么是 RAG 检索准确率为什么它很重要RAG 检索准确率Recall是衡量检索系统能否找到与用户查询相关的所有文档的指标。它在 RAG 系统中尤为重要因为如果检索阶段无法提供足够的上下文即使生成模型再强大也难以输出高质量结果。高检索准确率是确保生成内容相关性的基础。检索准确率Recall公式如下示例用户查询 “Swedish massage in Helsinki”。数据库中有 10 条相关文档检索系统返回 9 条相关文档和 1 条不相关文档。检索准确率计算2. 案例背景在这个案例中我们通过两个关键改进使系统的检索准确率从 50-60% 提升至 95% 以上。此项目的背景是为客户服务团队构建一个内部聊天机器人以帮助客服人员更快地访问信息。项目初始阶段包括从各种系统中获取数据。预处理、chunking 和 embedding 数据。在 Azure AI Search 中构建搜索索引。将聊天机器人连接到搜索索引。数据包括有关地点如水疗中心和健身房和专家如按摩治疗师和私人教练的信息。数据通过将文本字段描述、城市、地区合并为一个内容字段并为向量搜索创建 embeddings 来准备。最初的搜索查询要么作为向量搜索要么作为全文 BM25 搜索对内容字段运行。然而系统仅在 50-60% 的时间内检索到正确的文档。向量搜索不适合这个应用因为它优先考虑模糊匹配和语义相似性而我们的应用需要精确匹配。BM25 搜索也不够因为它基于术语频率导致包含更多匹配查询术语的文档优先显示而不是匹配相关术语的文档。BM25 还存在芬兰语词形变化的问题稍微的词形变化会阻止文档检索。3. 初始方案的问题系统采用了向量搜索和BM25 全文搜索的组合然而向量搜索基于语义相似性但无法精确匹配具体的服务或位置。BM25 搜索依赖关键字频率但会优先返回包含高频关键词但相关性低的文档。对于芬兰语等具有词形变化的语言BM25 的效果进一步降低。这些问题导致检索结果相关性不足严重影响了用户体验。4. 检索准确率从 50-60% 提升至 95% 的两个技巧通过以下两项关键改进系统的检索准确率得以显著提升1.利用 LLM 改写用户查询解决方案在查询阶段借助 LLM 将用户输入改写为结构化查询。例如将 “Swedish massage in Helsinki” 改写为服务字段包含 “Swedish massage” 且城市字段为 “Helsinki” 的查询。实际效果精准的查询改写显著提高了检索相关性减少了 BM25 依赖于关键词频率的问题。成本与问题性能开销查询改写需要实时处理在高并发场景中可能增加响应时间。维护复杂度需持续优化查询改写逻辑以适应不断变化的用户需求。2.利用 LLM 改进索引解决方案在索引阶段使用大语言模型LLM从自由文本中提取服务信息生成结构化服务列表作为索引字段。例如从描述 “This spa offers Swedish massage and aromatherapy” 中提取 “Swedish massage” 和 “aromatherapy”。处理非标准化输入预处理步骤清洗拼写错误、语言变体等噪声提升模型一致性。实际效果索引信息更加精确解决了向量搜索中模糊匹配导致的相关性不足问题。成本与问题计算成本索引构建需要显著的计算资源特别是在大规模数据场景中。维护复杂度动态服务信息需要持续更新确保索引的准确性和实用性。2个技巧把 RAG 检索准确率从 50% 提高到 95 %6. 总结本案例的关键收获如下核心在于检索阶段的优化生成效果的提升离不开高质量的检索结果。简单且有效的改进通过 LLM 改进索引和查询改写显著提升了系统性能。成本与收益的权衡虽然增加了部分计算和维护成本但带来的用户体验提升是值得的。高效的检索不仅为生成阶段提供了坚实基础也证明了技术优化应聚焦于用户需求避免盲目追求复杂性。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 【AI大模型】2个简单技巧把 RAG 检索准确率从 50% 提高到 95 %，看到就是赚到，收藏这一篇就够了！！
前言在实际项目中RAGRetrieval-Augmented Generation系统的检索阶段往往是影响生成效果的核心环节。RAG 系统的工作流程包括数据摄取Data Ingestion和数据查询Data Querying其中检索是至关重要的一步。本文介绍了在一个案例中团队如何通过2个关键技巧把 RAG 检索准确率从 50% 提高到 95 %1. 什么是 RAG 检索准确率为什么它很重要RAG 检索准确率Recall是衡量检索系统能否找到与用户查询相关的所有文档的指标。它在 RAG 系统中尤为重要因为如果检索阶段无法提供足够的上下文即使生成模型再强大也难以输出高质量结果。高检索准确率是确保生成内容相关性的基础。检索准确率Recall公式如下示例用户查询 “Swedish massage in Helsinki”。数据库中有 10 条相关文档检索系统返回 9 条相关文档和 1 条不相关文档。检索准确率计算2. 案例背景在这个案例中我们通过两个关键改进使系统的检索准确率从 50-60% 提升至 95% 以上。此项目的背景是为客户服务团队构建一个内部聊天机器人以帮助客服人员更快地访问信息。项目初始阶段包括从各种系统中获取数据。预处理、chunking 和 embedding 数据。在 Azure AI Search 中构建搜索索引。将聊天机器人连接到搜索索引。数据包括有关地点如水疗中心和健身房和专家如按摩治疗师和私人教练的信息。数据通过将文本字段描述、城市、地区合并为一个内容字段并为向量搜索创建 embeddings 来准备。最初的搜索查询要么作为向量搜索要么作为全文 BM25 搜索对内容字段运行。然而系统仅在 50-60% 的时间内检索到正确的文档。向量搜索不适合这个应用因为它优先考虑模糊匹配和语义相似性而我们的应用需要精确匹配。BM25 搜索也不够因为它基于术语频率导致包含更多匹配查询术语的文档优先显示而不是匹配相关术语的文档。BM25 还存在芬兰语词形变化的问题稍微的词形变化会阻止文档检索。3. 初始方案的问题系统采用了向量搜索和BM25 全文搜索的组合然而向量搜索基于语义相似性但无法精确匹配具体的服务或位置。BM25 搜索依赖关键字频率但会优先返回包含高频关键词但相关性低的文档。对于芬兰语等具有词形变化的语言BM25 的效果进一步降低。这些问题导致检索结果相关性不足严重影响了用户体验。4. 检索准确率从 50-60% 提升至 95% 的两个技巧通过以下两项关键改进系统的检索准确率得以显著提升1.利用 LLM 改写用户查询解决方案在查询阶段借助 LLM 将用户输入改写为结构化查询。例如将 “Swedish massage in Helsinki” 改写为服务字段包含 “Swedish massage” 且城市字段为 “Helsinki” 的查询。实际效果精准的查询改写显著提高了检索相关性减少了 BM25 依赖于关键词频率的问题。成本与问题性能开销查询改写需要实时处理在高并发场景中可能增加响应时间。维护复杂度需持续优化查询改写逻辑以适应不断变化的用户需求。2.利用 LLM 改进索引解决方案在索引阶段使用大语言模型LLM从自由文本中提取服务信息生成结构化服务列表作为索引字段。例如从描述 “This spa offers Swedish massage and aromatherapy” 中提取 “Swedish massage” 和 “aromatherapy”。处理非标准化输入预处理步骤清洗拼写错误、语言变体等噪声提升模型一致性。实际效果索引信息更加精确解决了向量搜索中模糊匹配导致的相关性不足问题。成本与问题计算成本索引构建需要显著的计算资源特别是在大规模数据场景中。维护复杂度动态服务信息需要持续更新确保索引的准确性和实用性。2个技巧把 RAG 检索准确率从 50% 提高到 95 %6. 总结本案例的关键收获如下核心在于检索阶段的优化生成效果的提升离不开高质量的检索结果。简单且有效的改进通过 LLM 改进索引和查询改写显著提升了系统性能。成本与收益的权衡虽然增加了部分计算和维护成本但带来的用户体验提升是值得的。高效的检索不仅为生成阶段提供了坚实基础也证明了技术优化应聚焦于用户需求避免盲目追求复杂性。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】