本文详细介绍了RAG（检索增强生成）系统的构建过程，从接入向量库到形成可评测的检索链路。文章指出，一个可靠的RAG系统需要将分块、召回、排序、上下文拼装和生成评测拆分验证，并分析了常见问题如文档未进入知识库、分块不合理、检索错误等。此外，还探讨了分块策略、Embedding方法、上下文拼装技巧以及评测方法，强调了建立最小RAG项目时应遵循的验收标准和自测问题，帮助读者更好地理解和应用RAG技术。
RAG：从“接入向量库”到可评测的检索链路
一个可靠的 RAG 系统要把分块、召回、排序、上下文拼装和生成评测拆开验证。
RAG 检索链路：从接入向量库走向可评测系统
RAG 的全称是 Retrieval-Augmented Generation。最简单的理解是：先从知识库找相关内容，再把证据交给模型生成答案。
但“能返回答案”离“答案可靠”还有很远。一个 RAG 系统失败时，至少有四种可能：
文档没有进入知识库。
文档切块不合理。
检索没有找到正确片段。
片段找到了，模型仍然回答错。
如果系统没有评测和 Trace，这四类问题很容易混在一起。
一、从一个失败案例开始
用户问：
阿里 AI 应用研发工程师岗位是否要求熟悉 MCP？
知识库中明明存在岗位描述，但系统回答：
岗位更关注算法基础，没有明确要求 MCP。
先不要急着改 Prompt。应该沿着链路检查：
flowchart LR A["原始文档"] --> B["清洗"] B --> C["分块"] C --> D["Embedding"] D --> E["索引"] F["用户问题"] --> G["查询处理"] G --> H["召回"] H --> I["重排"] I --> J["上下文拼装"] J --> K["模型回答"]如果召回结果里根本没有 MCP 相关片段，换更强模型也解决不了问题。
二、分块不是机械切字数
常见切块策略：
- 固定字符数。
- 按 Markdown 标题。
- 按段落。
- 按代码、表格和语义结构。
- 多层级父子块。
一个岗位描述怎么切
不要把“岗位职责”和“岗位要求”的上下文切散：
## 岗位要求 1. 熟悉 Agent 架构设计 2. 熟悉 RAG、长期记忆、上下文注入 3. 熟悉 MCP、SDK/API 集成如果每一行单独成为一个片段，检索结果可能缺少“这是岗位要求”的语境。如果整个页面塞成一个片段，又可能让无关内容过多。
切块应围绕“读者会怎样提问”设计。
三、Embedding 不是全部
向量检索擅长语义相似，但真实系统经常需要组合策略：
| 方法 | 擅长什么 | 可能的问题 |
|---|---|---|
| 向量检索 | 语义相近表达 | 专有名词、编号可能不稳定 |
| 关键词检索 | 精确词、岗位编号、技术名词 | 同义表达召回较弱 |
| 混合检索 | 结合两者 | 实现与调参更复杂 |
| 重排 | 对候选片段重新排序 | 增加延迟和成本 |
查询“199903220038”时，关键词检索很重要；查询“如何让 Agent 调用企业内部工具”时，语义检索更有价值。
四、上下文拼装：召回越多不一定越好
把更多片段塞进 Prompt 会增加 token 成本，也可能让真正相关内容被噪声淹没。
上下文拼装要考虑：
- top-k 取多少。
- 是否去重。
- 是否保留标题和来源。
- 是否需要重排。
- 上下文长度超限时保留什么。
- 引用是否能回到原文。
一个实用规则：
回答必须带来源；证据不足时明确说不知道，不要让模型用常识补齐企业内部事实。
RAG 检索链路核心链路
五、评测：先把问题拆成两层
1. 检索层
关注正确证据有没有被找到。
常见指标：
Recall@K
：前 K 个结果是否包含正确证据。
MRR
：正确证据排在多靠前的位置。
- 命中率：测试集里有多少问题能找到至少一个正确片段。
2. 生成层
关注模型是否根据证据正确回答。
检查：
- 是否忠于上下文。
- 是否遗漏关键条件。
- 是否引用正确来源。
- 证据不足时是否拒绝编造。
- 格式是否满足业务要求。
一张评测样本
{ "question": "该岗位是否提到 MCP？", "expected_answer": "是", "required_evidence": ["MCP"], "source": "阿里巴巴校园招聘岗位页", "tags": ["keyword", "job-requirement"] }不要等项目做完才补评测。建立前 20 条样本的时间，应该早于引入复杂 Agent。
六、错误归因：Prompt 不是万能维修工具
| 失败现象 | 优先排查 |
|---|---|
| 正确文档完全没找到 | 数据导入、切块、索引、查询改写 |
| 正确片段排在很后面 | 检索策略、重排、关键词权重 |
| 证据正确但答案遗漏条件 | Prompt、输出结构、模型能力 |
| 无证据时仍然肯定回答 | 拒答策略、评测样本、系统提示 |
| 引用无法打开 | 元数据、来源链接、权限 |
如果每次失败都靠 Prompt 打补丁，系统会越来越难维护。
七、一个最小 RAG 项目的验收标准
至少准备：
30 至 50 条问题。
每条问题对应证据片段。
检索层指标。
生成层错误分类。
一次改动前后的对比。
失败案例复盘。
简历里可以讲：
建立岗位知识库 RAG 链路，将错误拆分为导入、切块、召回、重排和生成五类；使用固定评测集对查询改写前后 Recall@5 进行回归，避免只凭人工体验调 Prompt。
数字必须来自真实实验。
八、自测问题
RAG 回答错了，为什么不能立刻归因于模型？
切块大小为什么需要结合问题类型设计？
专有名词检索为什么不能只依赖 Embedding？
top-k 越大为什么不一定越好？
如何判断一次检索优化真的有效？
RAG 检索链路实战检查清单
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。