23 RAG 为什么答不准：召回、分块、排序的常见坑

专栏：大模型应用开发：从原理到生产
篇号：23
内容标签：RAG、检索召回、文本分块、Rerank、AI应用开发

上一篇我们写了一个最小可用 RAG 系统。

它能跑通文档加载、分块、Embedding、向量入库、Top-K 检索和基于资料回答。

到这里，很多人会有一个期待：

既然已经把资料接进来了，模型应该就能答准了吧？

现实通常没这么顺。

你会很快遇到一些让人抓头发的问题：

• 文档里明明有答案，系统就是找不到。
• 检索结果看起来相关，但回答还是偏了。
• 正确资料召回了，却排在很后面。
• 模型拿到了资料，却没有用关键那句。
• 回答看起来很流畅，但里面有资料没有写过的内容。
• 同一个问题，有时答对，有时答错。

这时最危险的反应，是直接去怪模型。

“是不是模型不够强？”

“是不是 Prompt 写得不够好？”

“是不是该换一个向量库？”

这些都有可能。

但在动手改之前，你要先定位问题。

RAG 的失败不是一种问题。

它是一条链路上不同环节的症状。

这篇就专门讲：RAG 为什么答不准，以及怎么把问题拆开查。