S27-J06 · RAG 提效与数据流水线

适用读者：RAG 效果"能用但不够好"的人。
前置：S20-B03（检索与重排）、S20-J01（评估）。
覆盖旧文：197(316) 653(299) 593(248) + 相关 = 1,256 点。
扩展点：E-S27-008（提效优先级）。
上一篇：S27-J05 · 架构演进：从模块化到 SOA
下一篇：S27-A01 · 内网穿透。

1. 一句话结论

RAG 提效有优先级：先修检索（分块/混合/重排），再调生成（提示/拒答），最后才考虑换模型。顺序颠倒等于白花钱。

顺序	手段	预期收益
①	分块与重叠（S20-B02）	高
②	混合检索 + 重排（S20-B03）	高
③	引用与拒答（S20-B04）	中（降幻觉）
④	换更大模型	中（贵）

2. 数据流水线的四个稳定点（E-S27-008）

采集 → 清洗 → 分块 → 索引 → （检索）
        ↑       ↑       ↑
      去重    结构化    增量更新

稳定点	说明
去重	重复文档会挤占 topK
结构化	表格/标题不能丢（S20-B02）
增量	全量重建成本高，要能增量（S21-B06）
可重建	索引可丢弃重建，源数据不可丢

判据："索引重建要多久？" 答不出或很久 → 流水线有问题。

3. 协议标准化（A-593）

现象	影响
各厂商 API 不兼容	换模型要改代码（S22-B01）
OpenAI 兼容协议成为事实标准	降低了切换成本
但行为差异仍在	提示词/工具调用仍要重测

"协议统一不等于行为统一"——换模型必须重跑评估（S20-J01）。

4. 提效的度量

指标	说明
Recall@K	检索层
忠实度	生成层
拒答率	过高=检索差；过低=编造多
单次成本	token

5. 五个误区

误区	真相
"效果不好就换大模型"	多数是检索问题
"全量重建索引最简单"	成本高、耗时长
"协议兼容就能无缝换模型"	行为差异仍在
"去重不重要"	重复会挤掉真正相关的结果
"拒答率高是坏事"	过低更危险

6. 自检

提效四个优先级？
流水线四个稳定点？
为什么"索引可重建、源数据不可丢"？
协议标准化的收益与局限？
拒答率过高/过低分别说明什么？

7. 下一篇

S27-A01 · 内网穿透与联调

提效讲完，进架构师层：本地服务怎么接收外部回调。

本篇属于系列《S27 · 杂项归档与工具实测》。旧文来源：A-197/653/593 + 相关卡；扩展点 E-S27-008。