RAG 入门第二篇：从存储到检索，数据是怎么被“用起来“的

关注

原创最新推荐文章于 2026-04-08 10:37:21 发布 345 阅读 AI 写同款· GEO 优化 ›

基于向量检索的RAG原理和实战 RAG（Retrieval Augmented Generation）检索增强生成通常用于在大模型交互过程中通过检索的方法来增强生成模型的能力。由于大模型存在的局限性（大模型的知识不是实时的，大模型可能不知道某些私有领域的知识），可以使用检索的方式给大模型提供相应的知识，再参考回答问题一张图说明RAG的流程将知识灌入数据库用户提问先去数据库检索相关知识将检索出的内容结合prompt送给大模型大模型给出回答。阅读详情

写在前面

上一篇我们聊了怎么把原始资料变成"知识库"——通过文档解析、清洗和分块，把杂乱的资料整理得井井有条。

但整理完之后呢？这些资料是怎么存起来的？用户提问的时候，又是怎么从里面找到答案的？

这篇我们就来聊聊检索这件事——RAG 最核心的环节之一。

本篇主要讲三个概念：

📌 向量 → 检索方法 → 召回率与重排序

搞懂这三件事，RAG 的检索逻辑就通了。

01 先搞懂一个概念：什么是向量？

在聊检索之前，我们需要先引入一个关键概念——向量。

听起来像数学课，别慌，我用大白话解释：

向量，就是一串数字，用来描述一个东西的"特征"。

当两个东西的向量值接近时，说明它们的特征相似。

举个例子：

🍎 苹果和 🍊 橘子 → 都是水果，向量值接近
♟️ 象棋和 ⚫ 围棋 → 都是棋类游戏，向量值接近
🍎 苹果和 ♟️ 象棋 → 完全不同，向量值相差很远

那向量对 RAG 有什么用？

原因很简单：计算机更擅长处理数字，而不是文字。

所以在离线数据处理的最后一步，我们会把所有的文本块都转换成向量，存进一个专门的"向量数据库"里。

存进去之后，特征相似的内容会自动"聚拢"在一起——就像图书馆里同类书籍放在同一个书架上，方便后续快速检索。

02 怎么从知识库里找到答案？——常用两种检索方法

知识库准备好了，用户来问问题了。

RAG 要做的事情就是：从海量的文本块里，找到和用户问题最相关的那几段内容。

这个过程叫检索，主要有两种方式：

🔍 方法一：关键词检索

原理：直接拿用户输入的词，去知识库里逐字匹配。

比如用户问"退货政策"，就去找包含"退货政策"这几个字的文档。

优点：简单、快、计算成本低

缺点：太"死板"——

用户问"怎么换货"，但知识库里写的是"退换货流程"，关键词不完全一样，就可能找不到
无法理解同义词、近义词

🔍 方法二：语义检索

原理：把用户的问题也转成向量，然后和知识库里所有文本块的向量做比较，找出语义最相近的内容。

优点：理解语义，不死板——

"怎么换货"和"退换货流程"虽然字不一样，但语义接近，照样能找到
能处理同义词、近义词

缺点：需要模型计算，成本相对较高

🔀 实际用哪种？——混合检索

在真实项目里，这两种方法通常混着用，取长补短：

关键词检索负责精准匹配，速度快
语义检索负责理解语义，覆盖更广

两者结合，既准又稳，这就是「混合检索」。

03 检索完了就完了吗？——召回率的问题

检索完之后，你以为就大功告成了？

还没有。

我们还需要关注一个指标：召回率。

什么是召回率？

一句话解释：

召回率 = 系统实际找到的相关内容 ÷ 知识库里所有相关内容

举个例子：

假设知识库里有 60 本关于驯鹿图案的产品设计手册。

你发起检索，系统返回了 50 本。但其中真正关于驯鹿图案的，只有 40 本。

那么召回率 = 40 ÷ 60 = 66.7%

意思是：知识库里的相关内容，你只找回来了 66.7%，还有三分之一漏掉了。

召回率越高，说明系统越"完整"——重要的信息不容易被漏掉。

怎么提升召回率？

方法一：使用混合检索

上面已经提到了，用关键词 + 语义双管齐下，覆盖面更广，自然能找到更多相关内容。

方法二：Query 改写（问题改写）

用户的提问有时候太简短或表达不准确，导致检索找不到对应内容。

Query 改写的思路是：把用户的问题"扩展"一下，生成多个相关的子问题，分别去检索，再把结果合并。

比如用户问"怎么退货"，系统会自动改写成：

“退货流程是什么？”
“退款政策有哪些规定？”
“换货和退货有什么区别？”

三个问题分别去检索，找到的内容更全面，召回率自然更高。

04 最后一关：结果重排序

好，现在我们已经检索到了一批相关文档。

但这些文档有个问题：排列顺序可能不太对。

为什么排列顺序会有问题？

初步检索时，为了速度快、成本低，通常用的是比较简单的方法。

这种方法虽然能找出相关内容，但打分不一定准确——有时候相关性其实很高的文档，分数反而排在后面。

大模型在生成回答时，会优先参考排在前面的文档。

如果前面的文档相关性不够高，最终的回答质量就会下降。

重排序是怎么解决这个问题的？

重排序 = 用更精准的方法，对初步检索的结果重新打一遍分，让最相关的内容排到最前面。

流程是这样的：

初步检索（快但粗糙）

↓

返回一批文档（顺序不一定对）

↓

重排序（精准但慢，只对这批文档操作）

↓

重新排好顺序的文档（最相关的排最前）

↓

大模型参考这些文档生成回答

这样做的好处是：

初步检索负责"广撒网"，速度快
重排序负责"精挑细选"，准确率高
两步结合，效率和质量都兼顾了

05 小结：本篇讲了什么？

来回顾一下这篇的核心内容：


概念	一句话总结
向量	把文字转成数字，让计算机更好地理解和比较内容
关键词检索	字面匹配，快但死板
语义检索	理解语义，准但成本高
混合检索	两者结合，取长补短
召回率	衡量"有多少相关内容被找到了"的指标
Query 改写	把问题扩展成多个子问题，提升召回率
重排序	对检索结果重新精准打分，让最相关的排最前