北京
分享至
「你的原型能跑通，但上线就崩。」这是每个做检索增强生成（Retrieval-Augmented Generation，检索增强生成）的工程师都听过的嘲讽。
决策一：检索什么？
不是扔整篇文档进向量库。原文把内容切成100-400字的语义块，重叠20%保上下文。切太大丢细节，切太小碎成渣。
决策二：怎么表示？
嵌入模型（Embedding，文本向量化模型）选开源还是闭源？原文没给标准答案，但点出关键：领域术语多的场景，通用模型会翻车。
决策三：怎么召回？
向量相似度+关键词混合搜索是底线配置。纯向量在专有名词、缩写、ID上死得很难看。
决策四：怎么排序？
重排序模型（Reranker，结果精排模型）把候选从几百压到个位数。这步省算力，更省幻觉。
决策五：怎么生成？
提示词工程（Prompt Engineering，提示设计）不是玄学。原文强调：给模型明确的检索上下文边界，比让它自由发挥靠谱十倍。
五个决策，没有一个是算法突破，全是工程取舍。RAG的护城河不是技术深度，是你愿意为边界情况写多少分支代码。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
