尧图网页设计 
文章目录D13 | RAG 进阶：混合检索、ReRank、查询改写写在前面一、朴素 RAG 的 3 个痛点痛点 1：找不到含"专有名词"的文档痛点 2：top-3 里没正确答案，但 top-10 里有痛点 3：用户的"问法"和"答案"不匹配二、武器 1：混合检索（向量 + BM25）2.1 核心思想2.2 BM25 是什么2.3 向量检索 + BM25 混合2.4 alpha 怎么调？三、武器 2：ReRank（粗排后精排）3.1 核心思想3.2 ReRank 模型① Cohere Rerank② bge-reranker（开源本地）③ LLM 自己做 ReRank（兜底方案）3.3 完整 ReRank 流程3.4 ReRank 效果数据四、武器 3：查询改写（Query Rewrite）4.1 核心思想4.2 3 种改写策略策略 1：原意保留策略 2：多角度展开策略 3：HyDE（Hypothetical Document Embeddings）4.3 查询改写实战4.4 什么时候用哪种？五、3 武器组合：生产级 RAG5.1 成本权衡5.2 决策树六、实战：60% → 93% 提升全流程6.1 起点：朴素 RAG6.2 升级 v2：换 Embedding6.3 升级 v3：+ 混合检索6.4 升级 v4：+ ReRank6.5 升级 v5：+ 查询改写（生产级）6.6 效果对比七、避坑指南坑 1：ReRank 用了闭源模型数据走外网坑 2：查询改写越改越差坑 3：ReRank 选了 top-3 太保守坑 4：混合检索权重 alpha 不会调坑 5：查询改写 + 混合检索组合时计算量爆炸八、这一篇的小结8.1 5 个 Key Takeaway8.2 决策树8.3 思考题下篇预告D13 | RAG 进阶：混合检索、ReRank、查询改写系列：《60 天 AI 全栈转型：传统开发者的大模型工程师之路》（S1 模块 3 · RAG 实战 ⑤ ·模块 3 收官）作者：刘一说（haohaizi_liu）| 15 年开发管理经验配套代码：https://gitcode.com/road-emblem/60-days-ai-stack写在前面D9 我们讲了 RAG 是什么，D10 讲了向量数据库，D11 讲了 Embedding + 切片，D12 我们手搓了 30 行 RAG 跑通。但跑通 ≠ 准。一个朴素 RAG 系统，准确率通常只有60-75%——用户的问法稍微"绕"一点，AI 就答非所问。这一篇我们讲3 个进阶武器，把 RAG 准确率从 70% 拉到90%+：混合检索——向量 + 关键词（BM25）双管齐下ReRank——粗排后再精排，准确率 +20%查询改写——AI 把"问法"先改清楚D13 是模块 3「RAG 实战」的收官篇。把这 3 个武器用好，你 D13 | RAG 进阶：混合检索、ReRank、查询改写
文章目录D13 | RAG 进阶：混合检索、ReRank、查询改写写在前面一、朴素 RAG 的 3 个痛点痛点 1：找不到含"专有名词"的文档痛点 2：top-3 里没正确答案，但 top-10 里有痛点 3：用户的"问法"和"答案"不匹配二、武器 1：混合检索（向量 + BM25）2.1 核心思想2.2 BM25 是什么2.3 向量检索 + BM25 混合2.4 alpha 怎么调？三、武器 2：ReRank（粗排后精排）3.1 核心思想3.2 ReRank 模型① Cohere Rerank② bge-reranker（开源本地）③ LLM 自己做 ReRank（兜底方案）3.3 完整 ReRank 流程3.4 ReRank 效果数据四、武器 3：查询改写（Query Rewrite）4.1 核心思想4.2 3 种改写策略策略 1：原意保留策略 2：多角度展开策略 3：HyDE（Hypothetical Document Embeddings）4.3 查询改写实战4.4 什么时候用哪种？五、3 武器组合：生产级 RAG5.1 成本权衡5.2 决策树六、实战：60% → 93% 提升全流程6.1 起点：朴素 RAG6.2 升级 v2：换 Embedding6.3 升级 v3：+ 混合检索6.4 升级 v4：+ ReRank6.5 升级 v5：+ 查询改写（生产级）6.6 效果对比七、避坑指南坑 1：ReRank 用了闭源模型数据走外网坑 2：查询改写越改越差坑 3：ReRank 选了 top-3 太保守坑 4：混合检索权重 alpha 不会调坑 5：查询改写 + 混合检索组合时计算量爆炸八、这一篇的小结8.1 5 个 Key Takeaway8.2 决策树8.3 思考题下篇预告D13 | RAG 进阶：混合检索、ReRank、查询改写系列：《60 天 AI 全栈转型：传统开发者的大模型工程师之路》（S1 模块 3 · RAG 实战 ⑤ ·模块 3 收官）作者：刘一说（haohaizi_liu）| 15 年开发管理经验配套代码：https://gitcode.com/road-emblem/60-days-ai-stack写在前面D9 我们讲了 RAG 是什么，D10 讲了向量数据库，D11 讲了 Embedding + 切片，D12 我们手搓了 30 行 RAG 跑通。但跑通 ≠ 准。一个朴素 RAG 系统，准确率通常只有60-75%——用户的问法稍微"绕"一点，AI 就答非所问。这一篇我们讲3 个进阶武器，把 RAG 准确率从 70% 拉到90%+：混合检索——向量 + 关键词（BM25）双管齐下ReRank——粗排后再精排，准确率 +20%查询改写——AI 把"问法"先改清楚D13 是模块 3「RAG 实战」的收官篇。把这 3 个武器用好，你