但对大部分开发者来说，搭一个RAG不难，怎么把它优化成生产可用的状态最难。

在这个过程中，检索效率、准确性、成本、响应速度，都是重点关注问题。

那么，如何对其进行优化？我们可以逐步对查询、索引、检索器、生成器以及RAG pipeline这五大环节分别进行优化。

接下来，本文将对此进行逐一解读。

以下是太长不看版：

01 查询策略优化

（1）假设性问题生成

做法：先用 LLM 为文档块生成潜在用户问题，RAG 阶段先做 query-to-query 检索，搜索到相关的假设问题，然后再找到对应的文档块，最后生成回答。

优势：query-to-query检索属于对称域内训练，比基于Q-A pair的“跨域(out-of-domain)”相似检索更直观，检索效果提升。

局限：需要额外生成问题，可能有幻觉；建议对此环节离线预处理。

class HypotheticalQuestionGenerator:    def generate_questions(self, document_chunk):        prompt = f"""        基于以下文档内容，生成3-5个用户可能询问的问题：        文档内容：{document_chunk}        问题：        """        questions = self.llm.generate(prompt)        return self.parse_questions(questions)
（2）HyDE（假设性文档嵌入）

做法：针对用户提问，LLM 先生成一个假答案（fake answer，可能是真，可能是假，但都不重要），再与 query 一起嵌入向量库检索。

优势：同假设性问题生成，answer-to-answer检索属于对称域内训练，可以显著提高缺乏标注数据情况下的检索召回率。

局限：引入生成开销和不确定性。

论文出处：《Precise Zero-Shot Dense Retrieval without Relevance Labels》。

（3）分解子查询

做法：复杂问题拆解为多个子查询，分别检索再综合。

优势：简化查询复杂度，提高检索相关性。

适用：功能对比、组合型问题。

举例：“Milvus和Zilliz Cloud功能差异是什么？"这样的复杂问题，将其分解为：

• 子查询1："Milvus的功能特性有哪些？"

• 子查询2："Zilliz Cloud的功能特性有哪些？"

然后向量数据库为每个子查询找到Top-K最相关的文档块；LLM使用这些信息生成更准确的综合答案。

（4）创建回退式提示词

做法：将复杂问题转化为更高层、更直观的问题。

优势：提升准确性，适合技术规格、容量边界类问题。

举例：把提问"我有100亿条记录的数据集，想存储在Milvus中进行查询，这可能吗？"这样的复杂查询，改为"Milvus能够处理的数据集规模上限是多少？"

02 索引策略优化

（1）自动合并文档块

做法：索引的创建分为 chunk 级别以及 parent chunk级别，如果召回的Top-K 中，某parent chunk下的子块超过阈值，就直接把parent chunk作为上下文信息提供给LLM。

优势：平衡检索精度与上下文完整性。

关键点：动态阈值调优，上下文不宜过长。

class HierarchicalChunkMerger:    def merge_chunks(self, child_chunks, threshold=3):        parent_chunk_count = {}        for chunk in child_chunks:            parent_id = chunk.parent_id            parent_chunk_count[parent_id] = parent_chunk_count.get(parent_id, 0) + 1        # 选择超过阈值的父块        selected_parents = [pid for pid, count in parent_chunk_count.items()                           if count >= threshold]        return self.get_parent_chunks(selected_parents)

（2）分层索引构建

做法：为文档建立两级索引：摘要级别索引和文档块级别索引。检索时，先在摘要层级检索，再深入到对应文档块检索。

优势：适合海量数据与分层数据，尤其适合图书馆/知识库类场景。

风险：摘要质量直接影响效果，需要采用专门的摘要生成技术和质量评估机制。

（3）混合检索与重排序

做法：向量检索 + 全文检索，最后 rerank（RRF 或 Cross-Encoder）。具体参考实战Milvus 2.5：语义检索VS全文检索VS混合检索

优势：多路召回更全面，重排提升排序精度。

关键点：合理配置向量与全文检索对应的权重和参数。

03 检索器策略优化

（1）句子窗口检索Sentence Window Retrieval 

背景：传统的向量检索通常以段落级或文档级为单位，这会导致：切的太粗，长段落里只有少量句子真正相关，从而引入大量噪声；切分太细，相关内容之间的联系丢失。

做法：以句子为单位检索，同时带前后若干句的上下文窗口。

优势：保证精细匹配，保留上下文，减少碎片化。

挑战：窗口大小需动态调整，避免上下文过长引入噪声，影响输出质量。

class SentenceWindowRetriever:    def retrieve_with_window(self, query, window_size=3):        # 检索核心句子        core_sentences = self.vector_search(query, top_k=5)        # 扩展窗口上下文        expanded_results = []        for sentence in core_sentences:            window_context = self.get_surrounding_sentences(                sentence, window_size            )            expanded_results.append(window_context)        return expanded_results

(2)元数据过滤

做法：做向量检索前，先基于元数据（时间、类别等）过滤。

优势：精准定位，适合金融/医药等领域。比如金融中检索某企业某一年财报中关于资产负债的描述。

难点：先做元数据过滤，再使用图索引算法，会导致图结构基本失联，可采用Alpha 策略、ACORN 、动态选择邻居解决。详情参考Milvus Week | 向量搜索遇上过滤筛选，如何选择最优索引组合？

04 生成器策略优化

(1)LLM提示压缩

背景：大模型提示词越长，对核心内容的权重分配越混乱，压缩上下文，可以帮助大模型更好捕捉重点。

做法：检索结果传给大模型前对上下文进行摘要/关键信息提取。

适用：长上下文/多文档、agent场景。

小tips：训练小模型来进行上下文压缩，压缩的核心技术包括关键信息提取、摘要生成和噪声过滤算法。

class PromptCompressor:    def compress_context(self, retrieved_docs, max_length=2000):        # 提取关键信息        key_info = self.extract_key_information(retrieved_docs)        # 生成压缩摘要        compressed = self.summarize_content(key_info, max_length)        return compressed

(2)块顺序优化

背景：基于“Lost in the middle”现象，LLM会给上下文的开头和结尾更高的权重，忽略中间部分内容。

做法：将高置信度内容放在上下文的首尾位置。

05 RAG pipeline整体优化

(1)自反馈机制

做法：第一轮检索不佳时，触发二次检索或推理反思。常见的反思办法有，自然语言推理（NLI）模型或互联网搜索等。

应用：Self-RAG、Corrective RAG、LangGraph 等已有探索。

(2)智能查询路由

做法：在 RAG 之前设置 agent，分析、拆解用户意图，判断是否启用 RAG/子查询/网络搜索。

优势：避免在简单问题上滥用 RAG，提升整体效率和准确性。

06 结论

RAG优化是个系统性工程，通过这些综合优化策略，企业级RAG系统能够在保证高精度的同时，显著提升系统的性能表现和用户体验。