提升大模型RAG准确率的一些小技巧

前言

如何高效提升大模型RAG的准确率？

这个问题是一个最近大家都比较关心的公共问题。

今天这篇文章就专门跟大家一起聊聊提升RAG准确率的一些小技巧，希望对你会有所帮助。

一、RAG效果不好，到底卡在哪？

很多人以为RAG就是“文档切一切→向量化→丢给大模型”，就跑完了。

结果跑出来效果拉跨，还一脸懵逼：我都照教程做了啊。

RAG的完整流程其实是这样的：

任何一个环节出问题，整个效果都会崩。

在“向量化”这一步死磕，换了好几个embedding模型，结果提升不到5%。

为啥？因为问题根本不在那儿。

下面我把每个环节拆开来讲，希望对你会有所帮助。

二、文档解析

你喂给RAG的是“干净数据”还是“垃圾”？

很多小伙伴工作中可能会遇到这种情况：从公司内部系统导出一堆PDF、Word文档，直接扔进去切分。

结果发现很多文档里全是扫描件（图片格式），一个字都提不出来；或者表格被拆得支离破碎，完全丢了语义。

2.1 问题出在哪

大多数RAG教程用的示例文档都是规整的txt或md文件，但真实世界里的文档啥样都有：

扫描版PDF：其实就是一张张图片，你不做OCR，一个字都捞不到

Word里的表格：直接转成纯文本后，行列关系全乱了

PPT课件：一页一页的，每页只有几个bullet point，直接切分后上下文碎片化严重

带页眉页脚的技术文档：每一段都会带上页眉，切出来的chunk里全是“第xx页共xx页”这种无效信息

2.2 怎么破？

方案一：PDF先做OCR再提取。

扫描件PDF别省事儿，一定要跑一遍OCR。

推荐用PaddleOCR或Tesseract，我们实测PaddleOCR中文效果更好。

Python

import fitz  # PyMuPDF
from paddleocr import PaddleOCR

ocr = PaddleOCR(use_angle_cls=True, lang='ch')

def pdf_to_text_with_ocr(pdf_path):
    doc = fitz.open(pdf_path)
    full_text = []
    for page in doc:
        # 先检查页面是不是纯文本
        text = page.get_text()
        if len(text.strip()) < 50:  # 文字太少，怀疑是扫描件
            # 把页面转成图片
            pix = page.get_pixmap()
            img_path = f"temp_page_{page.number}.png"
            pix.save(img_path)
            # OCR识别
            result = ocr.ocr(img_path, cls=True)
            page_text = ''
            for line in result[0]:
                page_text += line[1][0] + '\n'
            full_text.append(page_text)
        else:
            full_text.append(text)
    return '\n'.join(full_text)

方案二：表格单独处理。

Word和PDF里的表格，提取成markdown格式比纯文本好得多，因为大模型能理解表格结构。

Python

import pandas as pd
from docx import Document

def extract_tables_from_docx(docx_path):
    doc = Document(docx_path)
    tables_markdown = []
    for table in doc.tables:
        # 转成pandas DataFrame
        data = []
        for row in table.rows:
            row_data = [cell.text for cell in row.cells]
            data.append(row_data)
        df = pd.DataFrame(data[1:], columns=data[0]) if len(data) > 1 else pd.DataFrame(data)
        tables_markdown.append(df.to_markdown())
    return '\n\n'.join(tables_markdown)

方案三：元数据附加。

每个chunk生成的时候，把来源文档的名称、章节标题、创建时间作为元数据附加上。

这样检索的时候可以按文档来源过滤，也方便大模型引用出处。

Python

chunk_metadata = {
    "source_file": "2025年销售报告.pdf",
    "section": "第三章 华东区销售数据",
    "page": 23,
    "created_at": "2025-12-01"
}

避坑提醒：元数据不要塞太多，2-3个关键字段就够了。

塞多了embedding的时候反而会稀释正文内容的权重。

三、文档切分

切分这一步是RAG的“命门”。

切太小了，上下文丢失语义；切太大了，检索精准度下降，而且token消耗爆炸。

切错了，神仙也救不回来。

3.1 常见切分方式的对比

固定长度

按500/1000字硬切

简单、可控

把一句话拦腰切断，语义全毁

按句子切

用句号/换行分割

保正句子完整性

单个句子信息量太少

按段落切

用空行分割

保正语义单元

段落太长时检索不精准

递归切分

从段落→句子→固定长度，逐级降级

灵活、兼顾语义

实现稍微复杂

语义切分

用embedding计算相邻句子的相似度，相似度突降时切

保正主题一致性

成本高、慢

3.2 常见的切分方案

方案一：递归切分（RecursiveCharacterTextSplitter）。

这个方案已经是最佳实践了，LangChain里有现成的。

它的逻辑是：优先按段落切，段落太长就按句子切，句子太长再按固定长度硬切。

Python

from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(
    chunk_size=800,        # 每个chunk目标大小（字符数）
    chunk_overlap=200,     # 重叠长度，防止上下文丢失
    separators=["\n\n", "\n", "。", "！", "？", "；", "，", " ", ""]
)

chunks = splitter.split_text(long_document)

chunk_overlap很多人不重视，其实非常关键。举个例子：一段关于“Spring事务传播机制”的文字，切在两个chunk之间，前一个chunk讲完了“REQUIRED”，后一个chunk开头讲“REQUIRES_NEW”，如果没有重叠，检索的时候可能只命中后半个chunk，读不到前面的定义，答案就残了。

经验值：chunk_size在500-1000之间比较合理，overlap取chunk_size的20%-30%。

方案二：带结构的切分（MarkdownHeaderTextSplitter）。

如果文档本身是有结构的markdown，可以按标题层级来切。

每个chunk都带上完整的标题路径作为上下文。

Python

from langchain.text_splitter import MarkdownHeaderTextSplitter

headers_to_split_on = [
    ("#", "h1"),
    ("##", "h2"),
    ("###", "h3"),
]

splitter = MarkdownHeaderTextSplitter(headers_to_split_on)
splits = splitter.split_text(markdown_text)
# 每个split的metadata里会有h1, h2, h3字段

这个方案尤其适合技术文档、产品手册这类有明确章节结构的文档。

检索的时候，一个chunk里带着“第三章>第二节>建表语句”这样的路径信息，大模型理解上下文会准确得多。

避坑提醒：不要一刀切地用固定chunk_size。不同类型的文档应该用不同的切分策略：FAQ类适合按问题切、长文章适合递归切、代码库适合按函数切。我们团队的做法是维护一个切分配置表，按文档类型走不同的管道。

四、向量化（Embedding）

很多人在这一步花大量时间换embedding模型，从text-embedding-ada-002换到bge-large-zh，换到m3e，折腾一圈发现提升有限。

为啥？因为embedding模型是“通用的”，它不可能懂你业务的专有名词。

4.1 embedding模型的核心能力

embedding的本质是把文本映射到一个高维向量空间，语义相近的文本在这个空间里距离更近。

不同模型的能力差异主要在两方面：

语言的覆盖度：中文、英文、多语言混合哪个更强

句子长度：有些模型擅长短文本（比如256 token以内），有些能处理长文本（8192 token）

但你得明白：embedding模型不是你业务的“语义专家”。如果你的文档里全是“SKU”、“PO单”、“BOM表”这些行业术语，换什么通用模型都白搭。

4.2 真正有效的方案

方案一：微调embedding模型。 用你自己的业务数据去微调模型，让模型学会议“PO单”和“采购订单”说的是同一回事。微调需要准备正样本对（语义相似的句子对）和负样本对（语义不同的句子对）。

Python

# 伪代码示意
train_data = [
    ("用户要求退款", "客户申请退货", 1),   # 正样本，标签=1
    ("用户要求退款", "系统维护公告", 0),   # 负样本，标签=0
    # ... 收集1000+对
]
# 用sentence-transformers框架微调

微调的门槛不算太高，几百到一千条标注数据就能看到明显效果。我们团队用300条人工标注的正负样本微调bge-large-zh后，域内检索准确率从68%提到了82%。

方案二：关键词+向量混合检索。

纯向量检索对专有名词的命中效果不好，因为“PO-202400123”这种字符串的语义太稀疏。

混合检索的思路是：先用关键词检索（BM25或Elasticsearch）捞一批候选，再用向量检索做精排。

Python

from rank_bm25 import BM25Okapi

# 建BM25索引
tokenized_corpus = [doc.split() for doc in corpus]
bm25 = BM25Okapi(tokenized_corpus)

# 混合检索
query = "订单PO-202400123的物流状态"
bm25_results = bm25.get_top_n(query.split(), corpus, n=20)
vector_results = vector_store.similarity_search(query, k=20)

# 合并去重后重排序
final_candidates = list(set(bm25_results + vector_results))

混合检索的效果通常比纯向量检索好15-20个百分点，尤其在专有名词、编号、代码片段这些场景下效果提升特别明显。

方案三：Query改写。

用户的原始问题有时候太口语化，直接拿去检索效果不好。用大模型把用户问题改写成一个更“文档友好”的查询语句。

Python

def rewrite_query(original_query):
    prompt = f"""
    将用户的自然语言问题改写成适合检索的形式，要求：
    1. 提取关键实体（如订单号、产品名、时间范围）
    2. 用陈述句表达
    3. 去掉语气词和无关信息
    
    原问题：{original_query}
    改写结果：
    """
    return llm.invoke(prompt)

比如用户问“上个月那个退货单咋还没处理啊”，改写后变成“2025年5月退货单处理状态”。

这个改写后的查询跟文档内容更接近，检索准确率会高很多。

五、检索与重排序（Rerank）

召回再多不如排得准。

很多RAG系统的效果瓶颈不在“找不到相关文档”，而在“把不相关的文档排在了前面”。

大模型的上下文窗口有限，你塞进去10个chunk，只有2个相关，大模型被噪音干扰后照样答不对。

5.1 为什么要做重排序

向量检索一次可以召回几十上百条结果，但召回的列表是按向量距离排序的。这个排序是“语义相似度排序”，不是“对用户问题的相关性排序”。

举个例子：

用户问：“怎么配置数据库连接池？”

向量检索召回了：“HikariCP官方文档”、“Druid配置详解”、“连接池原理”

这三条跟用户问题的语义都很接近，但哪条最相关？“HikariCP官方文档”可能是最相关的，但如果向量模型错误地把“Druid配置”排在了第一位，结果就崩了。

Rerank模型的作用就是：用一个更精炼的模型（通常是cross-encoder架构）对召回结果重新打分排序。

5.2 主流Rerank模型对比

模型

特点

适用场景

Cohere Rerank

效果最好，有免费额度

追求极致效果，不介意调用API

BGE-Reranker

开源，可本地部署

数据敏感、无网环境

Cross-Encoder

精度高但速度慢

小数据量、对延迟不敏感

ColBERT

延迟和精度的折中

大规模检索场景

5.3 代码示例

Python

from sentence_transformers import CrossEncoder

# 加载rerank模型
reranker = CrossEncoder('BAAI/bge-reranker-v2-m3')

def rerank_results(query, candidates, top_k=5):
    # 构造(query, doc)对
    pairs = [[query, doc.page_content] for doc in candidates]
    # 计算相关性分数
    scores = reranker.predict(pairs)
    # 按分数降序排序
    scored = list(zip(candidates, scores))
    scored.sort(key=lambda x: x[1], reverse=True)
    # 取top_k
    return [doc for doc, score in scored[:top_k]]

# 使用
retrieved_docs = vector_store.similarity_search(query, k=20)
reranked_docs = rerank_results(query, retrieved_docs, top_k=5)

避坑提醒：rerank模型的计算量比embedding大很多，不要对全库做rerank，那会慢死。正确流程是：先用向量检索快速捞出top-k（比如20-50），只对这几十条做rerank，最后取top-5喂给大模型。

六、上下文构建

你喂给大模型的prompt质量决定一切。

检索回来的chunk怎么塞进prompt里，直接决定了最终答案的质量。

这一步的细节非常多，我见过太多人在这个环节翻车。

6.1 基础模板 vs 高级模板

最基础的做法就是把chunks拼在一起丢给大模型：

Python

prompt = f"""
根据以下资料回答问题：
{''.join(chunks)}

问题：{query}
"""

这种做法效果一般。更好的做法是：

1. 给每个chunk加来源标识。 这样大模型在回答时可以引用来源，增强可信度。

Python

prompt = f"""
请根据以下参考资料回答用户问题。每个参考资料都有编号[1]、[2]等。回答时请引用来源编号。

参考资料：
[1] 来自《MySQL性能优化指南》第3章：索引设计原则...
[2] 来自公司内部Wiki《订单系统设计文档》：订单表建表语句...
[3] 来自《2025年技术周报》：慢查询优化案例...

用户问题：{query}

请给出答案，并在每个关键信息后面标注来源（例如[1]）。
"""

2. 使用Few-shot示例。 给大模型几个“问答示例”，它能更好地理解你期望的回答格式。

Python

prompt = f"""
请参考以下示例的格式回答问题。

示例1：
问题：如何查看MySQL版本？
答案：可以使用SELECT VERSION();命令查看MySQL版本。

示例2：
问题：Spring Boot如何配置日志级别？
答案：在application.yml中配置logging.level.root=INFO。

现在请回答：
问题：{query}
参考资料：{chunks}
答案：
"""

3. 增加“不知道就说不知道”的约束。 这个极其重要，不然大模型会硬编答案。

Python

prompt = f"""
重要规则：如果参考资料中没有明确的信息，请直接说“根据现有资料无法回答该问题”，不要编造答案。

参考资料：{chunks}

问题：{query}
答案：
"""

6.2 上下文窗口溢出怎么办

当检索回来的chunk总token数超过大模型上下文窗口时（比如你用的是max_tokens=4096的模型），必须做压缩或截断。

方案一：按相关性截断。 Rerank后的chunk列表已经按分数排好序了，取前N个直到token数超限为止。

Python

import tiktoken

enc = tiktoken.get_encoding("cl100k_base")
max_prompt_tokens = 3500  # 给回答留一些空间

selected_chunks = []
total_tokens = 0
for chunk in reranked_chunks:
    tokens = len(enc.encode(chunk.page_content))
    if total_tokens + tokens > max_prompt_tokens:
        break
    selected_chunks.append(chunk)
    total_tokens += tokens

方案二：摘要压缩。 对于特别长的chunk，让大模型先做个摘要。但注意：摘要会丢失细节，适合粗粒度信息，不适合精确数值类问题。

Python

def summarize_chunk(chunk_text):
    summary_prompt = f"请用一句话概括以下内容：\n{chunk_text}"
    return llm.invoke(summary_prompt)

6.3 多轮对话中的上下文管理

RAG系统往往需要支持多轮对话（用户追问、澄清）。你不能每次都只把“当前问题”拿去检索，要把对话历史也纳入考量。

Python

def build_context_with_history(query, history, retrieved_chunks):
    # 把历史对话也写进prompt
    history_str = "\n".join([f"用户：{h['user']}\n助手：{h['assistant']}" for h in history[-3:]])
    
    prompt = f"""
对话历史：
{history_str}

当前用户问题：{query}

参考资料：{retrieved_chunks}

请结合对话历史和参考资料回答问题。
"""
    return prompt

同时，检索时可以用查询重写把历史信息融合进去：

Python

def query_with_history(current_query, history):
    # 让大模型生成一个包含上下文的新查询
    prompt = f"""
    对话历史：{history}
    最新问题：{current_query}
    请把历史信息和最新问题融合成一个完整的查询语句：
    """
    return llm.invoke(prompt)

七、进阶技巧

让RAG效果再上一个台阶。

上面的基础方案跑通后，效果应该能到70%左右。

如果要突破到85%以上，下面这几个进阶技巧值得一试。

7.1 自查询检索器（Self-Query Retriever）

传统的检索只能按文本相似度找，但用户常常会问带条件的问题，比如“查一下2025年6月的销售数据，只要华东区的”。

Self-Query的思想是：让大模型先解析用户问题，提取出查询语句和过滤条件，然后用元数据过滤去检索。

Python

from langchain.retrievers.self_query.base import SelfQueryRetriever

# 定义元数据字段
metadata_fields = [
    AttributeInfo(name="year", description="文档所属年份", type="int"),
    AttributeInfo(name="region", description="区域：华东/华南/华北", type="string"),
    AttributeInfo(name="doc_type", description="文档类型：销售报告/技术文档", type="string"),
]

retriever = SelfQueryRetriever.from_llm(
    llm=llm,
    vectorstore=vector_store,
    document_contents="公司销售数据和技术文档",
    metadata_field_info=metadata_fields,
)

用户问“2025年华东区的销售数据”，SelfQueryRetriever会自动提取出：query=“销售数据”，filter={"year": 2025, "region": "华东"}。

7.2 多路召回与融合

不要只依赖一种检索方式。向量检索、关键词检索、SQL查询、API调用都可以作为不同的“召回源”，然后把结果融合起来。

Python

def multi_path_retrieve(query):
    results = []
    # 路径1：向量检索
    results.extend(vector_store.similarity_search(query, k=10))
    # 路径2：BM25关键词检索
    results.extend(bm25_search(query, k=10))
    # 路径3：如果是产品编号，直接查数据库
    if re.match(r'^PO-\d{9}$', query):
        db_result = db.query(f"SELECT * FROM orders WHERE order_id='{query}'")
        results.append(db_result)
    # 去重后rerank
    return deduplicate_and_rerank(results)

7.3 假设性文档嵌入（HyDE）

当用户的问题非常抽象时，直接拿问题去检索可能效果不好。HyDE的思路是：先让大模型假设已经找到了答案，根据这个假设生成一段虚拟文档，再用虚拟文档去检索。

Python

def hyde_retrieve(query):
    # 1. 让大模型生成一个假设性的答案（虚拟文档）
    hypothetical_doc = llm.invoke(f"请回答以下问题，写一段详细的答案：{query}")
    
    # 2. 用虚拟文档去向量库检索
    real_docs = vector_store.similarity_search(hypothetical_doc, k=10)
    
    return real_docs

举个例子，用户问“那个很火的数据库迁移工具叫啥来着？”直接检索很难匹配。

HyDE先生成一段描述“Flyway是一个开源的数据库版本管理工具，支持SQL脚本迁移...”，然后用这段描述去匹配“Flyway”的文档。

HyDE在查询很短、信息量很少的场景下效果提升明显，但注意它也会引入“幻觉”——生成的虚拟文档可能不准确，导致检索偏离。建议只在查询长度<5个词时启用。

7.4 窗口检索

如果一个文档被切成了很多chunk，用户问的问题可能需要跨多个chunk的信息才能回答。

窗口检索的做法是：当命中一个chunk时，把它的前后N个chunk也一起带上。

Python

def retrieve_with_window(chunk_id, chunks_list, window_size=2):
    start = max(0, chunk_id - window_size)
    end = min(len(chunks_list), chunk_id + window_size + 1)
    return chunks_list[start:end]

这个方案在长文档、需要上下文连贯的场景（比如论文、技术手册）里非常有效。

7.5 小型专用的索引 vs 一个万能的大索引

很多团队上来就想建一个大索引，把所有文档往里塞。结果发现：技术文档和客服FAQ混在一起，检索时互相干扰。

更好的做法是：按领域拆分索引。技术文档一个索引，客服对话一个索引，产品手册一个索引。

查询的时候先识别用户意图（用个小模型分类），然后只在对应的索引里检索。

Python

def classify_intent(query):
    # 用轻量级分类器判断
    # 返回: 'tech_doc' / 'customer_service' / 'product_manual'
    return intent

def route_query(query):
    intent = classify_intent(query)
    if intent == 'tech_doc':
        return tech_vectorstore.similarity_search(query)
    elif intent == 'customer_service':
        return service_vectorstore.similarity_search(query)
    else:
        return product_vectorstore.similarity_search(query)

八、一个生产级RAG管道的Java实现

上面讲了这么多理论和Python示例，考虑到很多小伙伴是Java技术栈，下面用Java完整实现一个RAG管道。

这里用了Spring AI + Chroma向量库。

Java

package com.example.rag;

import org.springframework.ai.document.Document;
import org.springframework.ai.embedding.EmbeddingClient;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.ai.vectorstore.chroma.ChromaVectorStore;
import org.springframework.ai.vectorstore.filter.Filter;
import org.springframework.ai.vectorstore.filter.FilterExpressionBuilder;
import org.springframework.stereotype.Service;
import reactor.core.publisher.Flux;

import java.util.*;
import java.util.stream.Collectors;

@Service
public class RAGPipeline {

    private final VectorStore vectorStore;
    private final EmbeddingClient embeddingClient;
    private final ChatClient chatClient;
    private final RerankerService reranker;
    private final QueryRewriter queryRewriter;

    public RAGPipeline(VectorStore vectorStore, 
                       EmbeddingClient embeddingClient,
                       ChatClient.Builder chatBuilder,
                       RerankerService reranker,
                       QueryRewriter queryRewriter) {
        this.vectorStore = vectorStore;
        this.embeddingClient = embeddingClient;
        this.chatClient = chatBuilder.build();
        this.reranker = reranker;
        this.queryRewriter = queryRewriter;
    }

    /**
     * 完整的RAG问答流程
     */
    public String ask(String userQuestion) {
        return askWithHistory(userQuestion, Collections.emptyList());
    }

    public String askWithHistory(String userQuestion, List<Map<String, String>> history) {
        // 1. 查询改写（含多轮对话上下文）
        String rewrittenQuery = queryRewriter.rewriteWithHistory(userQuestion, history);
        
        // 2. 检索（多路召回）
        List<Document> retrieved = multiPathRetrieve(rewrittenQuery);
        
        // 3. 重排序
        List<Document> reranked = reranker.rerank(rewrittenQuery, retrieved, 5);
        
        // 4. 构建prompt（带元数据）
        String prompt = buildPrompt(reranked, userQuestion, history);
        
        // 5. 调用大模型生成答案
        return chatClient.prompt(prompt).call().content();
    }

    private List<Document> multiPathRetrieve(String query) {
        Set<String> seenIds = new HashSet<>();
        List<Document> all = new ArrayList<>();
        
        // 路径1：向量检索
        List<Document> vecResults = vectorStore.similaritySearch(query, 20);
        for (Document doc : vecResults) {
            if (seenIds.add(doc.getId())) {
                all.add(doc);
            }
        }
        
        // 路径2：关键词检索（模拟，实际可用ES或Lucene）
        List<Document> kwResults = keywordSearch(query, 20);
        for (Document doc : kwResults) {
            if (seenIds.add(doc.getId())) {
                all.add(doc);
            }
        }
        
        // 路径3：如果是数字ID，直接查元数据
        if (query.matches("\\d+")) {
            Filter filter = new FilterExpressionBuilder().eq("id", query).build();
            List<Document> idResults = vectorStore.similaritySearch(
                SearchRequest.query(query).withFilter(filter).withTopK(10));
            for (Document doc : idResults) {
                if (seenIds.add(doc.getId())) {
                    all.add(doc);
                }
            }
        }
        
        return all;
    }

    private String buildPrompt(List<Document> docs, String question, List<Map<String, String>> history) {
        StringBuilder context = new StringBuilder();
        int idx = 1;
        for (Document doc : docs) {
            String source = doc.getMetadata().getOrDefault("source", "未知来源");
            String page = doc.getMetadata().getOrDefault("page", "");
            context.append(String.format("[%d] 来源：%s", idx++, source));
            if (!page.isEmpty()) {
                context.append(" 第").append(page).append("页");
            }
            context.append("\n").append(doc.getContent()).append("\n\n");
        }
        
        StringBuilder historyStr = new StringBuilder();
        if (!history.isEmpty()) {
            historyStr.append("对话历史：\n");
            for (Map<String, String> turn : history) {
                historyStr.append("用户：").append(turn.get("user")).append("\n");
                historyStr.append("助手：").append(turn.get("assistant")).append("\n");
            }
            historyStr.append("\n");
        }
        
        return String.format("""
            你是一个专业的问答助手。请基于以下参考资料回答用户问题。
            
            重要规则：
            1. 如果参考资料中没有明确信息，请直接回答"根据现有资料无法回答该问题"。
            2. 回答时请在每个关键信息后标注来源编号，例如[1]。
            3. 答案要准确、简洁、有条理。
            
            %s
            参考资料：
            %s
            用户问题：%s
            
            答案：
            """, historyStr.toString(), context.toString(), question);
    }
    
    private List<Document> keywordSearch(String query, int topK) {
        // 简化实现：实际可以用Elasticsearch或Lucene
        // 这里仅示意
        return new ArrayList<>();
    }
}

对应的查询重写器实现：

Java

@Component
public class QueryRewriter {
    
    private final ChatClient chatClient;
    
    public QueryRewriter(ChatClient.Builder builder) {
        this.chatClient = builder.build();
    }
    
    public String rewriteWithHistory(String query, List<Map<String, String>> history) {
        if (history.isEmpty()) {
            return rewrite(query);
        }
        
        String historyText = history.stream()
            .map(turn -> "用户：" + turn.get("user") + "\n助手：" + turn.get("assistant"))
            .collect(Collectors.joining("\n"));
        
        String prompt = String.format("""
            对话历史：
            %s
            
            最新用户问题：%s
            
            请结合对话历史，把问题改写成一个完整的、独立的查询语句。
            只输出改写后的查询，不要输出其他内容。
            """, historyText, query);
        
        return chatClient.prompt(prompt).call().content();
    }
    
    public String rewrite(String query) {
        // 简单改写：去除语气词
        return query.replaceAll("啊|呢|吧|哦|呀", "").trim();
    }
}

这个Java实现涵盖了多路召回、重排序、元数据过滤、多轮对话上下文等核心能力，可以直接集成到Spring Boot项目里。

九、效果评估

没量化就别说自己提升了。

说了这么多优化手段，还有一个重要问题是：你怎么知道自己改完以后效果是真的变好了，还是心理作用？

9.1 评估指标

指标

怎么算

说明

召回率

检索到的相关文档数 / 总相关文档数

越高说明检索越全面

精准率

检索到的相关文档数 / 总检索文档数

越高说明噪音越少

MRR（平均倒数排名）

第一个正确答案排名的倒数，取平均

衡量排序质量

答案准确率

人工判断答案是否正确

最终业务指标

9.2 构建测试集

不要拍脑袋去评估。准备一套标注好的测试集，至少100-200条（问题，正确答案，对应的文档片段）。

JSON

[
  {
    "question": "如何配置Spring Boot的数据库连接池？",
    "ground_truth": "在application.yml中设置spring.datasource.hikari.*相关参数",
    "relevant_docs": ["doc_123", "doc_456"]
  }
]

每次改完代码，跑一遍测试集，对比前后指标的变化。这是唯一能科学评估RAG效果的方法。

9.3 持续迭代的建议

RAG系统没有“一次成型”的说法。上线后还得持续优化：

记录bad case：用户问什么系统没答对，人工标注出来

补充知识库：bad case往往是因为知识库里压根没有相关信息

调整切分策略：如果是某个chunk内容不全导致的，调整切分方式

重写查询模板：如果是prompt问题，微调prompt

十、总结

写到这里，我们已经把RAG从文档解析到最终生成的整条链路都过了一遍。

回头看最初那个问题——“如何高效提升RAG效果”，我的答案可以浓缩成一句话：

不要只在一个环节上死磕，整条链路都得优化，而且每个环节都有明确的优先级。

按照我们的实践，建议你按这个顺序迭代：

先做文档清洗：OCR、表格提取、元数据附加。这一步投入产出比最高，能解决50%以上的基础问题。

再优化切分策略：从固定长度切分换成递归切分，加chunk_overlap。再针对特殊文档（代码、表格）做定制化处理。

引入混合检索：向量+BM25，解决专有名词问题。这一步能让召回率提升10-15%。

加rerank：只需要在召回结果上做精排，效果立竿见影。这一步能让答案准确率提升10%左右。

最后打磨prompt：加来源标识、Few-shot、拒答规则。这一步决定了最终答案的用户体验。

如果有余力，上HyDE、Self-Query、多路召回这些进阶技巧，它们能把效果从85%往90%以上推，但边际收益递减，先保证前面的都做到位。

另外还有几个容易被忽略的点：

别把所有文档放一个索引里。按领域拆分，按意图路由，干扰少，效果好。

重视多轮对话的上下文管理。很多RAG翻车不是因为没找到资料，而是因为没把历史对话考虑进去。

建立测试集，量化评估。没有数据支撑的“我感觉变好了”在团队决策里一文不值。

希望这篇文章能让你少走一些弯路。