做Agent开发的RAG是绕不开的一道坎。不管是让大模型读懂企业的私有文档还是给智能体补上“实时知识”这一课RAGRetrieval-Augmented Generation检索增强生成都是当前最主流、也最容易落地的方案。这篇笔记是我在Agent开发学习路上整理的第七篇专门把RAG从建库到检索再到生成的完整链路拆开讲一遍包含我个人踩过的坑和实测下来的优化细节。内容偏工程实践适合正在做Agent项目、或者准备给自己的产品接入私有知识库的朋友。本文的目的是帮你建立一条从“原始文档”到“可用问答”的完整通路。核心会围绕三个问题展开怎么把乱七八糟的文档变成机器能检索的知识库怎么从知识库里又快又准地把相关内容捞出来捞出来之后怎么让大模型基于这些内容生成靠谱的回答在这个过程中我会穿插讲清楚嵌入模型、向量数据库、切片策略、混合检索、重排序等关键组件为什么存在、什么时候用、怎么搭配避免你照着网上的碎片教程拼出一个能跑但不好用的玩具。1. 想清楚再动手RAG到底解决的是什么问题1.1 大模型的“知识短板”与RAG的解题思路大模型本质上是一个“参数化记忆”系统——它知道的都来自训练数据知识截止在某个时间点而且当你问的是企业的内部制度、产品的私有规格、某个特定领域的冷门细节时它大概率会一本正经地“编”。我之前专门测试过让GPT-4o回答一份内部技术规范里才有的字段定义它给出的答案结构完整、语气笃定但内容是纯幻觉。这就是RAG要解决的核心问题用外部检索到的真实信息去约束和引导模型生成。RAG的思路其实很简单像一个开卷考试大模型不再凭记忆闭卷答题而是先给你一本“参考书”知识库系统根据题目去参考书里找相关段落再把找到的段落和题目一起交给大模型让它基于这些材料作答。所以整个RAG系统就是三个环节建库把书写好、检索去书里找、生成看着书写答案。也正因为RAG的参考材料是可替换的它天然适合做知识库更新文档变了重新建库或者增量更新即可不需要重新训练模型。这在Agent场景里非常重要因为Agent经常要对接用户上传的临时文件、企业实时更新的内部资料模型不可能每次都重训。1.2 RAG与Agent、MCP的边界与配合最近总有人把RAG和MCPModel Context Protocol放在一起比较我这边梳理一下RAG是“把外部知识取回来给模型用”的一种技术范式MCP是“让Agent能统一调用外部工具和数据源”的一种协议标准。两者不是替代关系而是可以叠加的。在一个Agent项目里RAG负责处理“非结构化知识”的召回比如PDF文档里的规范、手册MCP负责打通“结构化服务”的调用比如查数据库、调业务API。你可以把MCP看成Agent的手和脚把RAG看成Agent的参考书架。还有一个词叫Agentic RAG本质上就是把RAG从“一次性检索”升级成“多步推理式检索”。传统RAG是你问一句、检索一次、生成一次Agentic RAG是Agent自己判断需要先查哪个知识源、要不要拆解问题、要不要用检索结果再触发新一轮检索来回几轮直到信息足够。这个我会在第五章详细展开。这里先记住一句话RAG是整个链路的能力底座Agent是调度策略MCP是连接方式它们各自解决不同层次的问题。1.3 方案选型前必须明确的四件事在动手建库之前有四个问题必须先想清楚它们直接决定技术选型。第一语料的形态是什么是纯文本、Markdown、PDF、Office文档还是网页抓取下来的HTML不同形态的预处理流程完全不同。第二语料大概的量级是多少几百篇和几百万篇用的向量数据库、切片策略、检索方案都会不一样。第三查询的类型是什么是直接问某个事实“公司报销上限是多少”还是需要多文档交叉汇总“比较A产品和B产品的参数”后者对检索和重排序的要求高得多。第四系统对延迟和成本的要求实时在线问答和离线分析对召回速度、模型规模的要求天差地别。这些决定不做好的话后面每改一步都要返工。我自己第一版RAG就是没想清楚量级先用了一个本地文件小型向量库的方案结果语料涨到十万级之后检索延迟明显上头整个检索层推倒重来白白浪费了两周时间。所以这篇笔记的第一个建议就是先花半天把场景和约束盘清楚再动手写代码。2. 建库让“一本书”变成“一箱卡片”2.1 文档加载与清洗决定知识库质量的第一道工序建库的第一步是把原始文档加载进来并清洗干净。这一步看着不起眼实际上对最终检索质量的影响非常大。我做过一个统计直接用未清洗的原始PDF切片建库检索结果准确率比清洗后低了将近15个百分点。原因是PDF里经常有页眉页脚、水印、乱码断行这些噪声被切进片段里之后一方面会让向量化的语义被干扰另一方面检索时如果命中了这些噪声块模型拿到手的就是一堆垃圾输入。清洗的常见处理包括去掉页眉页脚和水印、修正PDF抽取过程中的断行拼接问题、去除多余空白字符和特殊符号、规范标点尤其是把全角半角统一、识别并保留表格结构这个比较难通常需要专用的文档解析模型比如开源的一些表格识别工具。对于HTML文档还要去掉导航栏、广告、版权声明这类重复性噪音。说实话文档解析和清洗环节最值得投入人力市面上很多RAG项目效果不好问题根源根本不在于模型和检索而是喂进去的“原材料”就是脏的。2.2 切片策略切得不对检索上限直接锁死切片是RAG建库中最核心也最容易被低估的步骤。简单说就是把长文档切割成适合检索和喂给模型的片段。切太碎比如按每100个字硬切会切断语义连贯的段落导致检索到的内容上下文不完整模型理解不了。切太大比如整篇文章作为一个向量检索时命中精度会很差而且把大量不相关内容都塞进提示词里既浪费token又稀释关键信息。我实际测试过几种切片策略简单总结如下。固定长度切片比如每512个token切一刀带少量重叠实现最简单适合结构松散的网页文本但在语义连贯性上表现最差。按段落标题切利用文档原有的结构信息对Markdown和结构化文档效果非常好是我比较推荐的做法。递归字符切分是目前工程上综合效果最好的通用方案思想是设定一个目标长度然后按换行符、句号、空格逐级尝试切分优先在语义边界处切开。语义切分是根据句子嵌入向量的变化幅度来判断断点效果最好但计算开销大适合语料质量要求极高的场景。除了切片方式切片大小也要定。我经验值是通用知识问答场景单片段500~800个token比较合适如果文档本身逻辑层层嵌套比如法律合同、说明书可以采用“父子切片”策略——父层级片段保留完整章节结构子层级片段细粒度检索检索到子片段后把父片段一起作为上下文喂给模型。这个策略能显著提升长上下文场景下的回答质量缺点是建库复杂度高向量存储会翻几倍。2.3 嵌入模型与向量数据库选型切片完成后要将每个文本片段用嵌入模型Embedding Model转换成向量。嵌入模型的作用是“把一段文字变成一组数字”这组数字要能表达语义语义相近的文本在向量空间里的距离更近。选嵌入模型时最核心的关注点是三个语义表征能力、向量维度、支持的语言和上下文长度。语义表征能力可以用MTEB这类评测基准横向对比不同模型的差距在专业领域语料上会被放大。向量维度影响存储和检索开销常见的有384维轻量级、768维、1024维甚至更高。小项目、快速原型可以直接用OpenAI的text-embedding-3-small1536维或者更便宜的轻量开源模型但如果涉及中文专业文档我建议测试一下国产的几个中文优化模型或者基于开源模型在自有语料上微调。有一点要特别注意嵌入模型确定之后不要随意更换因为不同模型生成的向量分布不同更换后所有已入库数据都必须重新向量化否则新旧向量会“互不识别”。向量数据库的选型取决于规模、部署场景和运维能力。我按实际使用场景分类推荐小规模本地原型几万条向量以下直接用开源的FAISS或者Chroma轻量、零运维但也别指望它的分布式和高级过滤能力中大规模生产部署考虑Milvus或Qdrant支持集合分区、丰富过滤、水平扩展如果团队已经深度使用PostgreSQLpgvector是一个能“少引入一个组件”的好方案适合千万级以下的场景。挑选的时候不要光看性能Benchmark要重点关注过滤能力是否支持按元数据过滤后再检索、混合检索支持度、部署复杂度、官方客户端语言覆盖这四个维度。2.4 元数据设计检索和后续处理的关键钩子建库的另一件重要事情是元数据Metadata设计。很多人建库只图把文本切片向量化存进去忽略了给每个片段打标签这是后期制约检索质量的隐形瓶颈。元数据是什么就是每个切片附带的描述性信息比如来源文档名称、章节标题、页码、文档类型、业务部门、更新时间、权限标签等。有了这些元数据后期就能做出“先过滤、再检索”的精细化召回比如用户只问某个产品线的内容系统可以先筛掉其他产品线的片段再检索用户权限不够的文档在源头上就不会被召回。元数据还能支持后续的引用溯源——告诉用户“这段回答来自《技术规范》3.2节”这对企业场景几乎是刚需。我强烈建议在建库阶段就设计好一套元数据结构宁可先多存几个字段也不要后期再补因为大规模补元数据的成本非常高。3. 检索从知识库里“捞对”内容是一门手艺3.1 向量检索的原理与参数细节检索阶段的核心是计算用户问题与库中切片向量的相似度。相似度计算常见的有三种余弦相似度Cosine Similarity衡量方向是否一致对向量长度不敏感是文本检索最常用的方式内积Dot Product同时考虑方向和长度要求索引库在使用前做好向量归一化欧氏距离L2 Distance衡量空间中的直线距离数值越小越相似。工程上绝大多数文本向量库默认采用余弦相似度因为它对语义匹配最稳定。参数方面每次检索都需要指定Top K——返回多少个最相似的片段。K值怎么选太小容易遗漏关键信息太大又会让模型“淹没”在无关上下文里。我的经验值是通用问答场景先召回5~10个片段复杂分析场景可以考虑把K值临时调大但在重排序阶段再压缩。此外很多向量库支持在检索时设置相似度阈值低于阈值的片段直接丢弃这能防止“矮子里面拔将军”——用户问的问题库里的确没有答案时盲目把最相似的片段拿出来给模型模型会基于这些片段强行编造。3.2 关键词检索与混合检索为什么不能只靠向量向量检索好归好但检索词命中问题一直是它的短板如果用户问的是“价格”而文档里写的是“费用”向量检索可能找不到但如果用户问的是具体编号、型号“ABC-123”向量检索又会因为对稀有token不敏感而表现不佳。这个问题要靠关键词检索来补。经典的BM25算法至今仍然很能打它基于词频和逆文档频率计算文本和查询的匹配度在包含精确术语、编号、代码名等场景下效果经常吊打纯向量检索。把BM25和向量检索的结果混合起来就是目前生产级RAG的标准操作。常见的混合策略有两种加权融合和RRFReciprocal Rank Fusion。加权融合是给两个检索结果分别打分按权重合并权重需要调参RRF是每个结果按排名的倒数计分把排名前若干位的结果汇总鲁棒性更好不需要额外调权重我在项目中基本都采用RRF。混合检索的收益非常直观在我测试的中文技术文档集上单一向量检索的召回准确率约78%混合后能到90%以上。3.3 重排序检索的“最后一道筛子”如果混合检索是“海选”那么**重排序Rerank**就是“终面”。向量检索阶段为了速度本质上是用一个双塔模型做粗粒度匹配这会导致一些语义上相关但表达差异较大的候选片段被排在后面。重排序阶段则不同它用交叉编码器Cross-Encoder把“问题片段”拼成一个整体输入模型让模型输出相关性分数。因为交互更深入重排序的相关性判断质量明显高于向量检索。工程上重排序通常针对我们前面混合检索召回的前20~50个片段进行重排序后只保留前3~5个交给生成阶段。这样既控制了重排序的计算成本又保证了最终上下文的质量。开源方案里bge-reranker系列是中文场景性价比很高的选择。需要提醒的是重排序模型的推理速度比向量检索慢一个数量级千万别把全库都拿去做重排序只对候选集做每秒处理几十个样本完全可接受。在Agent场景中重排序还能用于多轮对话的场景——把之前的对话历史也拼进重排序的输入中提升对“它”“这个”这类指代问题的处理效果。3.4 检索优化的进阶手段Query改写与HyDE除了在库里下功夫还能对“问题”本身做优化。用户提问往往是非结构化、口语化的直接拿原始问题去做向量检索效果有限。我试过几个有效的手段。第一个是Query改写让一个轻量大模型把用户的口语化问题改写成适合检索的规范表达比如把“报销流程是啥来着”改写成“公司的报销流程是什么包含哪些步骤”。改写后检索召回的准确率会有可感知的提升。第二个是HyDEHypothetical Document Embeddings让大模型先根据问题生成一段“假想的理想答案”再用这段答案的向量去检索。思路很巧妙——既然问题和文档之间的表达差异导致匹配偏差那就把问题翻译成“更像文档的语言”然后再去匹配。在某些垂直领域上效果显著但生成过程会带来额外延迟和成本需要权衡。第三个是多路召回与融合并行执行向量检索、关键词检索、按元数据过滤的子检索汇总后再重排序。多路召回能降低对单一检索方式的依赖是生产系统稳定性的关键设计。4. 生成让大模型基于材料“好好答题”4.1 上下文组装提示词的结构决定回答的下限检索到的片段再好如果组装到提示词里时结构混乱模型照样答不好。Prompt结构上我推荐一个比较稳定的模式系统指令明确模型身份和任务边界你是知识库问答助手只能基于提供的内容回答不允许编造提供检索到的参考资料分条编号并标注来源明确回答的约束条件严格基于资料不得使用资料外信息最后给出用户问题。这种“任务指令-资料-约束-问题”的结构比简单拼接“请根据如下资料回答问题……”要好得多。这里有一个化学上的“比例感”上下文窗口有限检索到的片段不能全塞进去。我之前实测当参考资料总量在1500~2000个token时模型的回答准确率和遵循度表现最好超过3000个token之后模型开始“迷失在中间”开头和结尾的内容被重点关注中间内容容易被忽略。所以给模型前要做一次上下文裁剪优先保留重排序得分最高的片段同时注意不要让重复信息占据过多空间。4.2 幻觉抑制三个关键约束RAG最大的卖点就是能减少幻觉但它不能完全消除幻觉。原因在于即便有参考资料大模型在生成时依然可能存在“自由发挥”的倾向。我在实践中总结出三个有效的约束手段。第一是指令级约束在提示词里明确写“如果参考资料中没有答案直接回答‘我无法从提供的内容中找到相关信息’不要尝试猜测”。这个简单指令能大幅减少模型硬凑答案的行为。第二是引用级约束要求模型回答时必须标注引用来源编号格式如“根据[1][3]材料……”。当一个模型被要求给出处时它的生成行为会天然变得谨慎这是一个很实用的心理学技巧。第三是结构化兜底设置后置校验规则比如检查回答是否提到了引用检查回答的实体是否出现在检索片段中如果关键实体不匹配就进行告警或二次生成。这相当于在生成之后再加一道“质检闸门”。4.3 检索结果不足时的“诚实策略”还有一种情况经常发生检索出来的片段确实和问题相关但信息不完整不足以支撑完整回答。这种时候很多RAG系统会直接让模型用那一点残缺信息硬答结果自然是片面的、甚至是误导的。我的处理方式是引入信息充分度判断生成阶段前先让一个分类器可以用大模型做判断检索到的内容是否足以回答问题判据可以包括关键词覆盖度、片段数量、内容与问题的语义相关度等。如果判断为“不足”系统走第二条路径——返回“需要更多信息”的提示同时把已检索到的相关片段作为“线索”展示给用户或者触发Agent进入新一轮检索这也正是Agentic RAG的入口。诚实策略看着是“退步”其实对用户体验的伤害远小于给出一个看似正确实则误导的答案。我做过一个简单的AB对比给“信息不足但强答”的答案标注为低质量用户反馈中信任度明显下降而“坦诚说不知道并给出线索”的路径用户虽然没有得到完整答案反而对系统整体评价更高。做RAG产品这一点要想通。4.4 流式输出与产品化细节生产环境的RAG除了正确性还要考虑体感。一个冷知识RAG的响应链路比单纯的LLM生成更长因为中间多了检索环节所以耗时通常多出数百毫秒到数秒不等。这时候如果不做流式输出用户面对的就是一个长时间转圈的页面体验会很差。实现流式输出时要设计好“检索动画提示”环节——先告诉用户“正在从知识库检索相关内容”检索完成后再进入“正在生成回答”的流式阶段。这个细节能让用户感知到系统在做事而不是卡住了。流式输出的技术实现上常见的是用SSEServer-Sent Events或者WebSocket把Token逐批推给前端。工程上要注意检索阶段和生成阶段的衔接要流畅不要在检索完成后再额外等待一个固定延时建议把检索耗时和生成耗时分别记录方便后续做性能监控。另外如果系统支持引用标注流式输出时还要同步把引用标记推给前端让回答边生成边显示来源可信度瞬间不一样。5. Agentic RAG当检索成为Agent的一个“行动”5.1 从单轮到多轮让Agent自己决定怎么查传统RAG可以看作单轮闭环问题进、答案出。但真实场景中用户的一个复杂问题往往需要多步检索才能回答。比如用户问“我们公司上一季度各产品线的销售情况怎么样重点分析下降最多的那条产品线”第一步需要查到结构化数据里有哪些产品线第二步需要对销售数据做聚合第三步需要找到下降最多产品线的历史背景资料这不是一次向量检索能搞定的。Agentic RAG就是让Agent把问题拆解成多步逐步决定调哪个检索工具、用哪个查询词、是否需要看检索结果后再进行下一步检索。整体呈现出的行为模式是检索 - 判断信息是否够 - 继续检索或开始生成。实现Agentic RAG通常让大模型具备“工具调用”的能力。可选用的框架很多OpenAI的函数调用、Claude的工具使用或者各类Agent框架比如LangChain/LlamaIndex的Agent模式、开源的可视化Agent编排平台。框架选型上我建议优先选生态成熟、文档齐全的不要一上来自己手写Agent循环因为涉及工具schema定义、多轮记忆管理、异常处理等大量边界情况很消耗时间。5.2 工具规划与路由检索也分“专线”Agentic RAG的一个重要基础是多个检索工具的路由。与其把所有文档都扔进一个库里做通用检索不如按业务域拆成多个知识库每个库对应一个检索工具让Agent根据问题意图自动路由。比如一个企业知识库系统可以拆成“制度规范库”“产品技术库”“项目文档库”Agent先判断用户问的是哪一类再调用对应的工具去检索。这样做的好处是每个库的数据量更小检索噪声更少不同库可以用不同的切片策略和嵌入模型结果的可解释性也更清晰——知道答案来自哪个专项库。工具路由的落地方式上可以用一个轻量分类模型做意图识别也可以让Agent自己根据工具描述选择。我实测下来给工具写一段清晰的功能描述比单纯给工具命名更重要大模型在函数调用时很大程度上依赖描述来决定用哪个工具。工具描述里要写明“这个工具适合查询什么内容”“它包含什么范围的数据”“不适合解决什么问题”大模型理解得更准确。5.3 Agentic RAG与MCP的组合实践再回到前面提到的MCP。在Agentic RAG架构中知识检索工具完全可以封装为MCP服务这样Agent与检索层之间就不再是直接硬编码的函数调用而是通过标准协议进行服务发现和调用。这样做的好处是知识库系统可以独立部署、独立升级企业内部如果有多个团队维护了不同的知识库Agent可以像“插拔U盘”一样接入或下线某个知识源权限认证、调用审计等治理能力也能在协议层面统一做。组合实践时的一个架构建议是检索层做成MCP服务端对外暴露“知识库查询”“文档详情获取”“知识库更新”等标准化工具Agent侧通过MCP客户端发现工具、解析工具Schema并把工具返回的数据转成后续推理的上下文。这样局部更新某个知识库的算法或模型时完全不影响Agent主体职责边界很清楚。6. 多模态与GraphRAGRAG的两个重要扩展方向6.1 多模态检索图文联合理解纯文本RAG做久了你会发现很多场景的需求不止文本。比如产品说明书里大量结构图、流程图制度文件里的表格扫描件培训资料里的PPT截图这类信息如果用传统OCR抽文本构图逻辑、数据关系会大量丢失。多模态RAG的思路是把图片也用多模态嵌入模型转成向量与文本向量一起入库检索的时候同时匹配“文字相关”和“图像相关”的内容。多模态检索的理想做法是用CLIP类的图文对齐模型把图片和文本映射到同一向量空间。生成阶段把检索到的图像本身作为多模态输入喂给带视觉能力的模型如GPT-4o、Qwen-VL让模型看图说话。这里有个工程细节要注意纯文本查询与图片向量的匹配率天然偏低建议做一层“文本-图像相关性重排序”的补偿或者用大模型先根据图片生成文字描述再把描述加入索引。不要指望一张复杂架构图能通过纯向量检索直接完美命中多模态RAG目前最佳实践还是“图片文字描述”双重索引。6.2 GraphRAG在知识结构上检索还有一种近年特别受关注的扩展是GraphRAG。传统RAG各切片是独立存储的检索时只能通过向量相似度“侧面”建立关联缺乏对实体关系的直接建模。GraphRAG提前做实体识别和关系抽取把文本内容里的“实体-关系-实体”三元组构建成知识图谱检索时既可以靠向量检索命中某个片段又能沿着图谱中的关系链把相关实体一网打尽。这类方案在处理“谁和谁相关”“某组织下有哪些分支”这类关联性问题上效果要比纯向量RAG好一大截。GraphRAG的工程代价不低——实体识别需要跑NLP模型知识图谱的存储和查询需要图数据库Neo4j、NebulaGraph等建库流程明显变复杂。建议在核心业务问答场景用传统RAG即可只有当问题高度依赖实体关联分析时再引入GraphRAG。这不是所有项目都需要的组件属于“锦上添花”而不是“必需品”。6.3 从“单一文档库”到“异构知识源”的架构演进不管做多模态还是GraphRAG最后都会落到“多知识源统一接入”这个架构问题上。成熟的RAG产品一般都有这样的分层接入层处理各种格式文档解析层负责结构化索引层按文档类型分表文本表、图片表、图谱表调度层根据查询类型自动路由到单一或组合知识源生成层汇总各路召回结果统一生成。这种分层架构能让系统在面对新文档类型时只扩展接入层即可不会动到核心检索逻辑。对于中小项目先把文本这一路做扎实足够多模态和GraphRAG按需增加即可。7. 实战排查RAG系统常见问题与调优速查7.1 我踩过的六个典型坑RAG系统出问题时症状大多集中在“答非所问”“答案太浅”“检索不到相关内容”但根源往往比表面复杂得多。我把实践中踩过的六个坑整理成速查表典型症状根本原因解决方向相似问题回答质量波动大切片策略不稳定语义被切断换语义边界切分或父子切片策略问专业术语搜不到嵌入模型领域能力弱换领域优化模型或加关键词检索答案全是废话模板检索到的是低质量段落清理文档噪音加重量排序环节数字和事实错误切片内容被截断关键上下文丢失调大切片尺寸加重叠区检索速度慢向量库无索引或数据量超限检查索引配置考虑升级向量库PDF里的表格答不对解析层丢了表格结构引入表格专用解析工具或OCR模型7.2 调优顺序先数据再检索最后模型很多RAG项目在调试时容易陷入“动不动就换大模型”的误区。模型是RAG链路中最后一个被怀疑的对象大概率也不是瓶颈源头。我的调优顺序是先检查数据质量文档有没有解析错、切片是否语义完整、元数据是否准确再检查检索质量召回率如何、Top K结果是否沾边、重排序是否把好结果排在前面最后才动生成侧的模型参数和Prompt。数据问题不解决换再强的模型也白搭。检索质量好不好可以用“召回率”指标来做量化诊断取一批已知答案的问题集看检索到的内容里是否包含足够支撑答案的关键信息。如果召回率不足80%就不要先谈生成优化先把切片和检索这一层打磨好。如果召回率已经不错但仍答不好那就是生成侧Prompt或模型能力的问题。7.3 评估闭环让RAG持续“变聪明”最后聊一个RAG项目能不能长期维护的分水岭——评估系统。如果没有一套可量化的评测数据集和指标你根本无法判断这次优化到底有没有让系统变好。我建议项目起步时就建一个不少于100条测试题的评估集每条测试题包含标准问题、理想回答要点、必须出现的实体/事实、来源文档定位。每次改动换切片策略、换嵌入模型、调Prompt后都跑一遍评测集对比准确率、召回率、“不知道”率、引用正确率等指标。我自己的评估流程就是把评估集丢给系统批量跑再用一个裁判模型对输出质量打分分数作为回归基准。坚持两三个月以后你会完整看到每次调整对整体效果的真实影响——哪些策略是“自我感觉良好但指标不动”的哪些是“涨分明显但代价也可以接受”的。这种数据驱动的调优方式比每次拍脑袋改一个参数然后靠感觉判断“好像变好了”要可靠得多。我个人的体会是RAG项目从“能跑”到“跑得好”之间隔着的不是某个神秘组件而是一层一层打磨出来的工程细节。建库时多想一步元数据设计检索时多试一种混合策略生成时多设一条“不知道就说不知道”的约束都是在为最终效果积累胜势。希望这篇笔记能帮你在做Agent项目的路上少踩几个坑。后面如果有机会我再单独整理一篇关于RAG离线评测和在线监控的具体实践。