01
RAG常见痛点分析及建议方案
| 失败痛点 | 痛点描述 | 优化建议 / 解决方案 |
| 1. 内容缺失 (Missing Content) | 知识库中不存在回答问题所需的知识。 | 1. 增加知识库：将相关文本加入向量库。 2. 数据清洗与增强：提高输入数据质量。 3. 优化 Prompt：引导模型在无答案时回答“无法回答”，防止胡乱回答。 |
| 2. 文档加载准确性与效率 | 文档格式不一导致读取效果差。 | 1. 优化读取器：针对不同文档格式设计专门的读取器。 2. 数据清洗：对原始数据进行预处理。 |
| 3. 切分粒度问题 | 文档切分方式影响语义连贯性与模型表现。 | 1. 结构化分块：利用 HTML/Markdown 标题段落保持逻辑。 2. 递归分块：按段落、换行、空格等规则不断细分。 3. 优化 Chunk Size：匹配嵌入模型最佳输入大小（如 256/512）。 4. 内容重叠 (Overlapping)：保持块间语义连贯。 |
| 4. 错过排名靠前的文档 (Missed Top Ranked) | 知识块存在但向量相似度排名靠后，导致无法召回。 | 1. 增加召回数量：提高 TopK 召回阈值（如从 3 增加到 5）。 2. 重排 (Reranking)：利用 Reranker 重新评估候选块的相关性。 |
| 5. 提取上下文与答案无关 (Not in Context) | 召回的内容无法有效支持答案生成。 | 这是“内容缺失”或“错过排名靠前文档”的具体体现。 |
| 6. 格式错误 (Wrong Format) | 模型输出未遵循要求的格式。 | 1. Prompt 调优：明确格式要求。 2. 格式验证：使用 Pydantic 等工具进行校验。 3. 自修复 (Auto-Fixing)：对不合规格式进行自动修正。 |
| 7.答案不完整 (Incomplete) | 回答遗漏部分信息或过于片面。 | 1. 引导用户：鼓励一次提问一个问题。 2. 问题拆分：将复杂问题拆分为子问题，汇总后再回复。 |
| 8.提取到答案 (Not Extracted) | 模型在提供的上下文中未能找到正确答案。 | 1. 更换模型：使用推理能力更强的大模型。 2. 增强聚焦：在 Prompt 中强调必须基于上下文，或对关键句加粗。 |
| 9.答案太具体或太笼统 (Incorrect Specificity) | 回答的详略程度不符合预期。 | 1. 改善提示词：在 Prompt 中明确要求的特异性程度。 2. 提升基座能力：使用更高水平的底座模型。 |
02
高级RAG
Advanced RAG重点聚焦在检索增强，即优化Retrieval阶段。增加了Pre-Retrieval预检索和Post-Retrieval后检索阶段，同时对检索本身也有优化。
- 预检索过程优化/检索前优化(Pre-Retrieval)
高级RAG着重优化了索引结构和查询的方式。优化索引旨在提高被索引内容的质量，包括增强数据颗粒度、优化索引结构、添加元数据、对齐优化等策略。查询优化的目标则是明确用户的原始问题，使其更适合检索任务，使用了查询重写、查询转换、查询扩展等技术。下面讲述索引优化和查询优化的方式：
1.1 摘要索引
1.2 父子索引
1.3 假设性问题索引
1.4 元数据索引
1.5 Enrich完善问题
1.6 多路召回
1.7 多路召回
- 检索优化(Retrieval)
检索阶段的目标是确定最相关的上下文。通常，检索基于向量搜索，它计算查询与索引数据之间的语义相似性。因此，大多数检索优化技术都围绕嵌入模型展开，比如微调嵌入模型，将嵌入模型定制为特定领域的上下文，特别是对于术语不断演化或罕见的领域。还有其他检索技术，例如：混合搜索，通常是指将向量搜索与基于关键字的搜索相结合的概念。
- 后检索过程优化/检索后优化(Post-Retrieval)
对于由问题检索得到的一系列上下文，后检索策略关注如何优化它们与查询问题的集成。这一过程主要包括重新排序、RAG-Fusion和压缩上下文。重新排列检索到的信息，将最相关的内容予以定位标记，这种策略已经在LlamaIndex2、LangChain等框架中得以实施。有时直接将所有相关文档输入到大型语言模型（LLMs）可能导致信息过载，为了缓解这一点，后检索工作集中选择必要的信息，强调关键部分，并限制了相应的上下文长度。
3.1 重排（Reranking）
3.2 RAG-Fusion 3.3 压缩上下文 -End-
2026年AI行业最大的机会，毫无疑问就在应用层！
字节跳动已有7个团队全速布局Agent
大模型岗位暴增69%，年薪破百万！
腾讯、京东、百度开放招聘技术岗，80%与AI相关……
如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的大模型应用开发工程师**，**却极度稀缺！
落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：
✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑
✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……
✅微调：针对特定任务优化，让模型适配业务
目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！
技术的稀缺性，才是你「值钱」的关键！
具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻
AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
⭐️从大模型微调到AI Agent智能体搭建
剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！
大模型微调
掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。
学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。
RAG应用开发
- 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
- 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。
AI Agent智能体搭建
- 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
- 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。
如果你也有以下诉求：
快速链接产品/业务团队，参与前沿项目
构建技术壁垒，从竞争者中脱颖而出
避开35岁裁员危险期，顺利拿下高薪岗
迭代技术水平，延长未来20年的新职业发展！
……
那这节课你一定要来听！
因为，留给普通程序员的时间真的不多了！
立即扫码，即可免费预约
「AI技术原理 + 实战应用 + 职业发展」
「大模型应用开发实战公开课」
👇👇
👍🏻还有靠谱的内推机会+直聘权益！！
完课后赠送：大模型应用案例集、AI商业落地白皮书
