我要投稿

RAG数据召回优化方案——先进行标量召回再进行相似度召回

发布日期：2025-11-22 15:33:44 浏览次数： 1518

作者：AI探索时代

微信搜一搜，关注“AI探索时代”

“ RAG召回时最好进行多次过滤，这样才能大大提升召回文档的质量。”

关于RAG数据召回技术，大家都都知道现在普遍使用的是相似度(语义)召回方式；但对没有真正实际操作过的人来说，可能会认为RAG只能进行相似度召回；但在真正的业务场景中，标量召回的效果可能会比相似度召回更好。

原因在于，RAG的目的是为了更准确的召回与问题相关的内容，但并没有限制具体的召回方式，不论是传统的字符匹配，分词技术(如es)，还是现在爆火的相似度计算都可以作为数据召回的手段，而且可以根据不同的场景选择合适的召回方式。

标量召回和相似度召回

标量召回就是基于传统的字段匹配的方式，而相似度召回是基于向量计算的方式；其分别对应传统的关系型数据库和现在的向量数据库。

向量数据库作为一个相对比较新的中间件，可能部分刚开始学习向量数据库的人并不了解其运作机制，可能会有人认为其只支持向量计算。

但事实是，向量数据库和传统的数据库并没有什么特别本质的区别，其更像是在传统数据库的基础之上，增加了向量计算，以及单独的向量字段，因此向量数据库同样支持传统的字符匹配模式。

我们都知道在RAG中有一个非常重要的组件——Embedding嵌入模型，其作用是把自然语言转换成向量形式。

而向量数据库的运作原理就是，在文档处理阶段，通过对文档进行拆分，然后再通过embedding模型把拆分之后的文档转换成向量模式，之后保存到向量数据库中的向量字段中。

然后在用户提问时，通过同样的方式把用户问题转换成向量模式，之后再通过某种计算方式对用户问题和拆分的文档进行向量匹配，如欧式距离，余弦相似度计算等方式，来计算用户问题和具体文档之间的相似度，相似度越高，其语义相关性越大；这就是相似度召回的基本原理。

但是呢，相似度计算毕竟不是很准确，特别是在语义不明确的情况下；其召回的数据质量真的无法保证，因此这时就需要使用标量召回配合相似度召回来提升文档的召回质量。

举例来说，针对不同的用户可能存在不同的特性，然后可以把这些特性作为文档的属性进行数据隔离；如有些文档属于部门专有文档，有些文档属于用户文档，有些文档又属于企业内部文档；而部门名称，用户文档，企业文档等都属于数据特征。

因此，不同用户提出的问题，可以先根据用户所在的部门，或者属于消费者和管理者的角色，先筛选出对于角色的文档；然后再次基础之后，在进行相似度召回，这样就能大大提升文档召回的准确率。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-11-20

多源 RAG 自动化处理：从 0 到 1 构建事件驱动的实时 RAG 应用

2025-11-20

再谈RAG的文档解析——文档解析的难点在哪里？

2025-11-20

如何为 RAGFlow 添加新的数据源

2025-11-19

为什么RDF是AI系统的“天然知识层”？

2025-11-16

Google 让 RAG 变得前所未有地简单：全新 File Search 工具震撼登场

2025-11-14

从答案到洞察：Structured RAG正在重塑企业知识库的底层逻辑

2025-11-13

RAG Chunking 2.0：提升文档分块效果的一些经验

2025-11-13

RAGFlow v0.22.0 发布：数据源同步、变量聚合、全新管理界面与多项重大更新

了解更多

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

RAG彻底爆了！一文掌握其效果优化的架构设计及核心要点

2025-09-15

从原理到落地：RAG 技术全解析，手把手教你搭建专属知识库

2025-09-02

RAG系统全景：架构详解与落地实践指南

2025-08-25

高质量AI知识库应用的前提：选对向量数据库

2025-08-25

一文搞懂大模型：何为深入理解RAG？

2025-08-25

万字长文详解腾讯优图RAG技术的架构设计与创新实践

2025-09-08

DeepMind爆火论文：向量嵌入模型存在数学上限，Scaling laws放缓实锤？

2025-09-03

RAG检索后如何应用更有效？

2025-08-28

关于多模态应用的几个疑问，以及多模态应该怎么应用于RAG？

2025-09-10

您应该为您的 RAG 系统使用哪种分块技术？

2025-09-10

大家都在问

再谈RAG的文档解析——文档解析的难点在哪里？

2025-11-20

为什么RDF是AI系统的“天然知识层”？

2025-11-19

大模型生态的“不可能三角”：规模化应用的架构困境？

2025-11-04

Embedding与Rerank：90%的RAG系统都搞错了！为什么单靠向量检索会毁了你的AI应用？

2025-10-04

存算一体破局向量检索瓶颈，IBM放出王炸VSM：性能飙升100倍，能效碾压GPU千倍，RAG要变天？

2025-09-30

您应该为您的 RAG 系统使用哪种分块技术？

2025-09-10

关于多模态应用的几个疑问，以及多模态应该怎么应用于RAG？

2025-09-10

DeepMind爆火论文：向量嵌入模型存在数学上限，Scaling laws放缓实锤？

2025-09-03

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB

应聘简历请发送至： ceo@53ai.com

联系我们

售前咨询

预约演示

微信扫码

添加专属顾问

回到顶部