1. 你要解决什么问题（30 秒）

很多 RAG 翻车不在 LLM，在 检索没把对的那段拿出来：

1. 语义搜不到 SKU / 内部代号——纯向量对专有名词弱。

2. Top-K 很大仍漏——chunk 切碎了，答案跨块。

3. 检索很快但答案仍胡编——没 rerank，噪声 chunk 进 context。

这篇只覆盖 Ingest 之后到 LLM 之前：embed、index、query、hybrid、rerank、评测指标。

2. 核心机制：检索流水线

flowchart LR
Q[User Query] --> E1[Query Embedding]
E1 --> VS[Vector Search Top-K]
Q --> BM[BM25 / Keyword]
VS --> FUSE[Hybrid Fusion]
BM --> FUSE
FUSE --> RR[Reranker Top-N]
RR --> CTX[Context Block]
CTX --> LLM[Generator]

2.1 Chunk 与 metadata（决定上限）

chunk size

400–800 token | 太大→噪声；太小→断语义

overlap

10–15% | 无 overlap→答案被拦腰截断

切分策略

按标题 / 按句 | PDF 乱码未洗

metadata

doc\_id, section, acl | 无 ACL→越权检索

LangChain：RecursiveCharacterTextSplitter + parent\_document\_retriever（小块检索、大块返回）是常见模式。

2.2 Dense vs Sparse

Dense（embedding）：语义相似，「离职流程」≈「辞职手续」

Sparse（BM25）：词项匹配，「SKU-8842」精确

Hybrid：两路各取 Top-K’，RRF（Reciprocal Rank Fusion）或 weighted merge → 再 rerank。

2.3 Rerank

Bi-encoder（embedding）快但粗；Cross-encoder reranker（Cohere Rerank、BGE-reranker）对 (query, chunk) 打分，取 Top-N（N often 3–5）再塞 prompt。

Latency 换 precision——生产 RAG 几乎总是 retrieve 宽、rerank 窄。

3. 代码长什么样（LangChain 栈）

3.1 向量检索

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
emb = OpenAIEmbeddings(model=“text-embedding-3-small”)
vs = Chroma.from_documents(docs, emb, collection_metadata={“hnsw:space”: “cosine”})
retriever = vs.as_retriever(search_type=“similarity”, search_kwargs={“k”: 20})

3.2 Hybrid（示意）

from langchain.retrievers import EnsembleRetriever
from langchain_community.retrievers import BM25Retriever
bm25 = BM25Retriever.from_documents(docs)
bm25.k = 20
ensemble = EnsembleRetriever(
retrievers=[bm25, vs.as_retriever(search_kwargs={“k”: 20})],
weights=[0.4, 0.6],
)

3.3 Rerank 包装

from langchain.retrievers import ContextualCompressionRetriever
from langchain_cohere import CohereRerank
compressor = CohereRerank(model=“rerank-v3.5”, top_n=5)
compression_retriever = ContextualCompressionRetriever(
base_compressor=compressor,
base_retriever=ensemble,
)

3.4 进 LCEL

rag = (
{“context”: compression_retriever | format_docs, “question”: RunnablePassthrough()}
| prompt
| model
)

4. 和「长上下文一把梭」的差别

全文档塞 context

<50 页、要全局推理 | 成本、lost-in-middle

纯向量 RAG

语义 QA、库大 | 专有名词、表格

Hybrid + Rerank

企业 Wiki、中英混排 | 多两次 API/延迟

GraphRAG 等

全局关系推理 | 构建成本高

5. 三个失败案例

A. Recall@5 低但 embedding「没问题」

现象：标准答案段落进不了 Top-5。

原因：chunk 把答案拆到两块；或 query 与 doc 语言不一致（英问中 doc）。

怎么查：golden set 标注 gold\_chunk\_id；调 overlap / parent retriever。

B. 检索对了，生成仍错

现象：context 含答案，LLM 瞎编。

原因：prompt 未强制「仅根据 context」；或 rerank 后仍混入 15 段噪声。

怎么查：减 N；加 citation 格式；测「拒答率」。

C. Hybrid 更差

现象：加 BM25 后效果降。

原因：权重不当；中文分词未适配；BM25 索引未更新。

怎么查：grid search weights；单独测 BM25-only vs dense-only。

6. 最小可运行路径

7. 准备 20 条 (question, gold\_passage) golden

8. Chroma + small embedding，算 Recall@5

9. 加 EnsembleRetriever，对比 Recall

10. 加 CohereRerank 或本地 reranker，算 MRR@5

11. 接 LCEL RAG，测 end-to-end accuracy（LLM judge 或 exact match）

通过标准：Recall@5 > 0.8 再调 prompt；否则别怪模型。

7. 生产还要加什么

增量索引：upsert by doc\_id，删 doc 要删向量

ACL filter：where={"tenant\_id": "..."}

缓存：query embedding 缓存 5min

监控：retrieval latency、empty result rate、avg rerank score

版本：embedding 模型变更 → 全量 re-embed

读完自检

1. Hybrid 解决的是 embedding 的哪类失败？

2. 为什么 retrieve 要宽、rerank 要窄？

3. Recall@K 和最终答案准确率为什么不等价？

​最后

我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。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。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

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，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​