当前位置：首页 > news >正文

RAG检索精准度提升实战：从混合检索到重排序的五大策略

news 2026/8/8 10:47:00

1. 项目概述：从“大海捞针”到“精准定位”的RAG进化之路

最近在折腾几个基于大语言模型的问答系统，最头疼的问题莫过于：模型回答得头头是道，但仔细一查，答案要么是凭空捏造的，要么就是引用了毫不相关的文档片段。这其实就是典型的RAG（检索增强生成）系统检索环节失准。检索就像给大模型这个“大厨”准备食材，如果递过去的是烂菜叶，再厉害的厨艺也做不出美味佳肴。这个项目，就是一次针对RAG检索精准度提升的深度实战复盘，目标是把“大海捞针”式的模糊检索，升级为“按图索骥”般的精准定位。

检索精准度是RAG系统的生命线。一个高精准度的检索系统，意味着用户提问时，系统能从上万甚至百万级的文档库中，快速、准确地找到最相关、最权威的几段文本，作为大模型生成答案的“证据”。这直接决定了最终答案的可靠性、专业性和用户满意度。无论是构建企业知识库、智能客服，还是开发专业的法律、医疗问答助手，检索不准，一切免谈。

本次实战将围绕一个核心目标展开：系统性地提升RAG的检索精准度。我们会从最基础的文本切片策略和向量化模型选型开始，逐步深入到混合检索、重排序等高级策略，最后还会探讨如何通过反馈闭环实现系统的自我优化。整个过程会结合具体的代码示例、参数调优经验和踩坑记录，目标是提供一套可落地、可复现的全方案。无论你是刚开始接触RAG的新手，还是正在为检索效果瓶颈而烦恼的开发者，相信都能从中找到实用的思路和工具。

2. 检索系统核心架构与精准度瓶颈分析

一个典型的RAG检索系统，可以抽象为“预处理-检索-后处理”三个核心阶段，每个阶段都存在影响最终精准度的关键瓶颈。

2.1 预处理阶段：文档切分的艺术与陷阱

检索的第一步不是搜索，而是准备。文档切分（Chunking）的质量，直接决定了检索的上限。切得太碎，上下文信息丢失，检索出来的片段可能无法独立支撑答案生成；切得太大，会引入无关噪声，并且影响向量检索的效率和精度。

常见的切分策略与适用场景：

固定长度重叠切分：这是最基础的方法。例如，设置chunk_size=500，overlap=50。优点是实现简单，适用于格式相对规整的文档。但缺点也很明显：它粗暴地割裂了完整的语义单元。一个句子可能被拦腰截断，一个完整的表格或代码块会被拆得七零八落。
```
# 示例：使用LangChain的RecursiveCharacterTextSplitter from langchain.text_splitter import RecursiveCharacterTextSplitter text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, chunk_overlap=50, separators=["\n\n", "\n", "。", "；", "，", " ", ""] # 按语义分隔符优先级切分 ) docs = text_splitter.split_documents(documents)
```
注意：separators参数的顺序至关重要。它会按顺序尝试用这些分隔符来切分，直到满足chunk_size要求。把段落分隔符\n\n放在前面，能更好地保持段落完整性。
基于语义的切分：更高级的策略是利用句子嵌入模型，计算句子间的相似度，在语义变化较大的地方进行切分。或者使用专门的自然语言处理工具来识别文档结构（如标题、章节、段落）。
- 实操心得：对于技术文档、论文等结构清晰的文本，可以尝试用markdown或html解析器，按照标题（#,##）或章节标签（<section>）进行切分，效果远好于固定长度切分。
上下文感知切分：这是目前的前沿探索方向。例如，在切分时，不仅保留当前片段，还附带其前后相邻片段的部分信息作为“上下文窗口”，或者在元数据中记录该片段在原文中的章节位置信息。这样在检索时，虽然返回的是核心片段，但系统能感知到其周围的语境。

预处理阶段的精准度陷阱：

信息丢失：切分导致关键上下文（如前提条件、数据来源）丢失。
噪声引入：一个片段中包含多个不相关主题，稀释了核心内容的向量表示。
解决方案：没有银弹。需要根据你的文档类型（是合同、代码、还是客服对话记录）进行实验。一个实用的方法是：人工抽样检查。随机抽取几十个切分后的片段，看看它们是否是一个完整的“问答单元”——即，仅凭这个片段，能否较好地回答某个潜在问题？

2.2 检索阶段：向量搜索的局限与混合检索的崛起

向量检索（语义搜索）是RAG的基石，它通过计算查询文本和文档片段的嵌入向量之间的余弦相似度来找到相关文档。其核心瓶颈在于“语义相似不等于答案相关”。

典型问题场景：

用户问：“如何重启MySQL服务？”
向量检索可能返回一篇详细介绍MySQL架构、优点的文章，因为文中多次出现“MySQL”和“服务”，语义相似度高。但真正有用的，是那篇讲systemctl restart mysql命令的简短运维文档。
这就是术语“语义鸿沟”的体现：向量空间中的邻近性，无法完全对应真实世界中的功能相关性。

为了突破这一瓶颈，混合检索成为必选项。它结合了两种搜索范式：

稀疏向量检索（关键词搜索）：如BM25算法。它基于词频、逆文档频率等统计信息，擅长精确匹配关键词。对于包含特定术语、产品名、错误代码的查询，BM25效果往往立竿见影。
稠密向量检索（语义搜索）：即我们常用的文本嵌入模型（如text-embedding-ada-002,bge-large-zh）。它擅长理解同义词、泛化查询意图。例如，将“怎么保养笔记本”映射到“笔记本电脑维护指南”。

混合检索的实现核心在于“融合”。最简单的方法是加权求和（Reciprocal Rank Fusion, RRF是一种流行方法）：

# 简化版融合分数计算示例 def hybrid_search(query, dense_weight=0.5, sparse_weight=0.5): # 1. 执行向量检索 dense_results = vector_store.similarity_search_with_score(query, k=20) # 2. 执行关键词检索 (假设使用Elasticsearch的BM25) sparse_results = es_client.search(index="docs", body={"query": {"match": {"content": query}}}, size=20) # 3. 结果融合 (RRF简化示意) fused_scores = {} for rank, (doc, score) in enumerate(dense_results): # RRF分数 = 1 / (rank + k)， rank是排名，k是一个常数（通常60） fused_scores[doc.id] = fused_scores.get(doc.id, 0) + dense_weight * (1 / (rank + 60)) for rank, hit in enumerate(sparse_results['hits']['hits']): fused_scores[hit['_id']] = fused_scores.get(hit['_id'], 0) + sparse_weight * (1 / (rank + 60)) # 4. 按融合分数排序，返回Top-K sorted_docs = sorted(fused_scores.items(), key=lambda x: x[1], reverse=True) return [get_doc_by_id(doc_id) for doc_id, _ in sorted_docs[:5]]

实操心得：dense_weight和sparse_weight的比值需要根据你的数据调优。技术文档、代码库查询可能更依赖关键词（BM25权重大），而开放式、概念性问答则更依赖语义（向量检索权重大）。一个快速的调优方法是：准备一个包含20-30个典型问题的测试集，人工标注相关文档，然后网格搜索这两个参数，选择召回率（Recall@K）最高的组合。

2.3 后处理阶段：重排序——检索结果的“精修车间”

即使混合检索返回了Top-20个相关文档，其内部顺序也未必是最优的。重排序（Re-ranking）模型的作用，就是对这个候选列表进行二次精排，将最可能包含答案的片段推到最前面。

为什么需要重排序？向量检索和BM25的打分机制相对“粗糙”。重排序模型（如BGE-Reranker,Cohere Rerank）是一个计算查询和每个候选文档之间相关度得分的交叉编码器（Cross-Encoder）。它会对查询和文档进行深度的、成对的交互计算，因此判断相关性远比仅靠向量点积或词频统计要精准得多。

如何集成重排序？

from FlagEmbedding import FlagReranker # 初始化重排序模型 reranker = FlagReranker('BAAI/bge-reranker-large', use_fp16=True) # 使用FP16加速 # 假设candidates是混合检索返回的文档列表 candidates = hybrid_search(user_query, k=20) pairs = [(user_query, doc.page_content) for doc in candidates] # 计算重排序分数 scores = reranker.compute_score(pairs, normalize=True) # normalize=True将分数归一化到0-1 # 根据新分数重新排序 reranked_docs = [doc for _, doc in sorted(zip(scores, candidates), reverse=True)] final_context = reranked_docs[:3] # 取Top-3作为最终上下文送入LLM

注意事项：

性能权衡：重排序模型计算开销大，不能直接用于海量初筛。因此标准流水线是：混合检索（召回）-> 重排序（精排）。先用低成本方法召回100个候选，再用重排序精排前20个。
模型选择：中文场景下，BGE-Reranker系列表现优异。对于英文，Cohere RerankAPI简单易用但需付费，开源的ms-marco-MiniLM-L-12-v2等模型也是不错的选择。
阈值过滤：可以为重排序分数设置一个阈值（如0.7），低于此阈值的文档被认为不相关，直接过滤掉，避免将低质量上下文喂给LLM。

3. 提升检索精准度的五大实战策略

理解了架构和瓶颈，我们来深入五个可立即上手的实战策略，从数据、算法、工程多个层面系统优化。

3.1 策略一：优化文本嵌入模型——打好向量化的地基

嵌入模型是将文本转化为向量的“翻译官”，它的质量决定了语义搜索的天花板。不要满足于默认模型。

模型选型要点：

领域适配：通用模型（如OpenAI的text-embedding-3）泛化性好，但针对特定领域（医学、法律、代码），使用领域内数据微调过的模型（如m3e-base对于中文通用，bge-large-zh对中文优化）效果提升显著。
向量维度：更高的维度（如1536）通常能承载更多信息，但也会增加存储和计算成本。对于千万级以下的文档库，768维的模型（如bge-base-zh）往往是性价比之选。
指令遵循：新一代嵌入模型（如bge系列）支持指令，在编码查询时加入指令前缀（如为这个句子生成表示用于检索相关文章：）可以提升匹配效果。

实操步骤：切换与评估嵌入模型

选择候选模型：根据你的语言（中/英）和领域，挑选2-3个开源模型（如bge-large-zh-v1.5,m3e-large,text2vec）和云服务商模型（如OpenAI, Cohere）。
构建评估集：这是最关键的一步。你需要一个包含(query, positive_doc, negative_docs)三元组的评估集。Positive_doc是确定相关的文档，negative_docs是可能被误召回的无关文档。可以从真实用户日志中采样，或人工构造。

计算评估指标：

召回率@K (Recall@K)：对于每个查询，模型返回的Top-K个结果中，是否包含了那个唯一的正例文档？计算比例。
命中率 (Hit Rate@K)：与Recall@K类似。
平均倒数排名 (MRR)：正例文档在结果列表中的排名的倒数的平均值。更关注排名位置。

# 简易评估代码框架 def evaluate_embedding_model(model, eval_set, k=5): recalls, mrrs = [], [] for query, pos_doc, neg_docs in eval_set: # 为所有文档（正例+负例）生成向量 all_docs = [pos_doc] + neg_docs doc_embeddings = model.encode(all_docs) query_embedding = model.encode(query) # 计算相似度并排序 similarities = cosine_similarity([query_embedding], doc_embeddings)[0] ranked_indices = np.argsort(similarities)[::-1] # 降序 # 计算Recall@K recall = 1 if 0 in ranked_indices[:k] else 0 # 0是正例文档的索引 recalls.append(recall) # 计算MRR rank = list(ranked_indices).index(0) + 1 # 找到正例的排名 mrrs.append(1.0 / rank) avg_recall = np.mean(recalls) avg_mrr = np.mean(mrrs) return avg_recall, avg_mrr

做出选择：在同等计算资源下，选择Recall@K和MRR更高的模型。对于生产系统，还需考虑模型的推理速度、内存占用和社区支持度。

3.2 策略二：实施混合检索与智能路由

如前所述，混合检索是标配。但更高级的做法是查询分类与路由：系统自动判断用户查询的类型，动态调整检索策略。

如何实现智能路由？

定义查询类型：例如，可以分为关键词敏感型（如“错误代码404怎么解决”）、语义理解型（如“解释一下量子计算的基本原理”）、事实查找型（如“公司的年假制度是怎样的”）。
训练一个轻量级分类器：收集历史查询，打上类型标签，用fastText或一个小的BERT分类模型进行训练。
路由决策：
- 如果分类为关键词敏感型，则大幅提高BM25的权重（如dense_weight=0.3,sparse_weight=0.7），甚至可以先走一遍关键词检索过滤。
- 如果分类为语义理解型，则以向量检索为主（如dense_weight=0.8,sparse_weight=0.2）。
- 对于事实查找型，可以结合元数据过滤（如文档类型=“制度文件”）。

工程实现提示：这个分类器可以非常轻量，因为它只做粗分类。路由逻辑可以封装成一个独立的服务或模块，在检索链的最前端调用。

3.3 策略三：集成元数据过滤——给检索加上“筛子”

很多时候，精准度问题不是语义没理解对，而是检索范围太广。元数据过滤能极大地缩小搜索空间。

什么是有效的元数据？

文档来源：部门（技术部/市场部）、产品线（产品A/产品B）、文档类型（用户手册/API文档/故障报告）。
时间信息：创建日期、更新时间。对于查询“最新的产品发布说明”，可以过滤出最近三个月内的文档。
权限等级：公开、内部、机密。
自定义标签：人工或自动为文档打上的主题标签，如“安装部署”、“性能调优”、“常见问题”。

如何在向量数据库中实现？以Milvus或Pinecone为例，在插入向量时，可以同时插入这些元数据。检索时，先进行元数据过滤，再在过滤后的子集中进行相似度搜索。

# 以Pinecone为例的元数据过滤查询 index.query( vector=query_embedding, top_k=10, filter={ "doc_type": {"$eq": "user_manual"}, "product": {"$in": ["Product_A", "Product_B"]}, "update_date": {"$gte": "2024-01-01"} } )

踩坑记录：元数据过滤条件设置过严，可能导致召回结果为零。一个稳健的策略是采用分层回退：先尝试带严格过滤的检索，如果返回结果少于N条，则逐步放宽或移除某些过滤条件，直到获得足够的结果。

3.4 策略四：应用重排序模型——最终的“质检员”

重排序是提升Top-1精度的最有效手段之一。这里重点讲部署和调优。

本地部署 vs. API调用：

本地部署（如BGE-Reranker）：延迟低，数据隐私好，成本固定。但需要GPU资源，并自行管理模型更新。
API调用（如Cohere Rerank）：无需运维，模型最新，按需付费。但有网络延迟，且存在数据出境风险（如果涉及敏感数据）。

部署建议：对于中小规模、对延迟敏感、数据敏感的项目，推荐在本地使用FlagReranker或CrossEncoder类库部署。可以使用onnxruntime或TensorRT进行推理优化，提升速度。

重排序的进阶技巧：

两阶段重排：如果候选文档很多（如>50），可以先用一个轻量级、速度快的重排模型（如MiniLM）做初步筛选到20个，再用一个更强大但更慢的模型（如bge-reranker-large）做最终精排。这在延迟和精度之间取得了平衡。
分数归一化与校准：不同模型输出的分数范围不同。normalize=True参数通常能将分数映射到0-1之间，方便设置统一的置信度阈值。但要注意，阈值需要在自己的评估集上重新校准，不能照搬别人的经验值。

3.5 策略五：构建反馈闭环与持续优化

一个真正智能的检索系统，必须能够从用户行为中学习，实现自我进化。

如何收集反馈？

显式反馈：在界面提供“赞/踩”按钮。当用户点“踩”时，可以弹出一个简单表单，让用户选择原因：“答案不相关”、“答案不完整”、“答案过时”等。“答案不相关”直接指向检索问题。
隐式反馈：这是更大量、更自然的数据源。
- 点击行为：用户在一系列检索结果中点击了哪一个？被点击的文档可以视为正例。
- 停留时间：用户在某结果页面上停留了很长时间，可能表示内容相关。
- 会话结束方式：用户得到答案后直接满意离开，还是立刻修改查询重新搜索？后者暗示检索可能不准。

如何利用反馈数据？

数据清洗与标注：将（查询，被点击/认可的文档）作为正样本对。将（查询，同时返回但未被点击的文档）作为难负例样本对。难负例对于训练更强大的嵌入模型或重排序模型至关重要。

微调嵌入模型：使用收集到的正负样本对，对你的基础嵌入模型进行对比学习微调。这能让模型更适应你特定的业务领域和用户查询风格。工具上可以使用sentence-transformers库。

from sentence_transformers import SentenceTransformer, InputExample, losses, models from torch.utils.data import DataLoader # 准备数据 train_examples = [] for query, pos_doc, neg_doc in feedback_data: train_examples.append(InputExample(texts=[query, pos_doc], label=1.0)) train_examples.append(InputExample(texts=[query, neg_doc], label=0.0)) # 定义模型 word_embedding_model = models.Transformer('bert-base-uncased') pooling_model = models.Pooling(word_embedding_model.get_word_embedding_dimension()) model = SentenceTransformer(modules=[word_embedding_model, pooling_model]) # 定义损失函数（对比损失） train_dataloader = DataLoader(train_examples, shuffle=True, batch_size=16) train_loss = losses.ContrastiveLoss(model=model) # 微调 model.fit(train_objectives=[(train_dataloader, train_loss)], epochs=3)

优化检索策略：分析反馈数据中大量出错的查询模式。例如，发现很多关于“价格”的查询错误地返回了旧文档，那么可以优化元数据过滤，优先返回带有“最新”标签或最近更新的文档。

4. 工程化落地：构建可监控、可迭代的检索流水线

理论策略最终要落实到工程上。一个健壮的RAG检索系统，需要具备可观测性，并能支持快速迭代实验。

4.1 设计可观测的检索流水线

你需要知道每一次检索发生了什么，哪里可能出了问题。关键是在流水线的各个节点埋点并记录日志。

必须记录的日志信息：

请求层面：唯一会话ID、用户查询、时间戳。
预处理层面：使用的切分策略、最终产生的片段数量。
检索层面：
- 向量检索：使用的嵌入模型名称、返回的Top-K原始列表及其相似度分数。
- 关键词检索：使用的查询语句（经过query理解或改写后的）、返回的原始列表及其BM25分数。
- 融合策略：融合算法、权重参数、融合后的列表及分数。
后处理层面：使用的重排序模型、重排序前后的列表变化、最终送入LLM的上下文片段。
最终结果：LLM生成的答案、用户反馈（如果有）。

实现方案：可以将这些日志结构化后输出到Elasticsearch或专用的向量数据库/LLM可观测性平台（如Arize Phoenix, LangSmith），方便后续的聚合分析和问题排查。

4.2 A/B测试与效果评估框架

任何优化策略上线前，都必须经过A/B测试，用数据说话。

如何设置A/B测试？

定义实验组和对照组：例如，实验组使用新的混合检索权重（0.7/0.3），对照组使用旧的权重（0.5/0.5）。流量按比例（如50%/50%）随机分配。
确定核心评估指标：
- 面向检索的指标：在无法获得人工标注的情况下，可以使用MRR@K或NDCG@K。如果能收集到用户点击数据，可以用点击率（CTR）或平均点击排名。
- 面向最终答案的指标：这是黄金标准，但成本高。可以定期抽样，人工评估答案的相关性（Relevance）、正确性（Correctness）和有用性（Helpfulness）（通常用1-5分Likert量表）。
- 业务指标：如客服场景的问题解决率、知识库场景的用户停留时长/跳出率。
进行统计显著性检验：收集足够的数据后（通常每个组需要几百个有效会话），使用T检验或卡方检验来判断实验组指标的提升是否具有统计显著性，而非随机波动。

快速评估工具链：可以搭建一个内部评估平台，定期用一批固定的测试问题（即“标准问题集”）去跑不同的检索配置，自动计算Recall@K、MRR等指标，并生成对比报告。这能极大加速迭代周期。

4.3 性能、成本与精度的平衡术

在追求极致精度的路上，不能忽视性能和成本。

性能：重排序模型和大型嵌入模型是延迟的主要来源。解决方案包括：模型量化（FP16/INT8）、使用更快的推理引擎（ONNX Runtime, TensorRT）、对重排序进行异步或批处理调用、在向量数据库端利用索引（如HNSW）加速近似最近邻搜索。
成本：
- 嵌入成本：如果使用OpenAI等API，按token收费。优化方法：对文档进行智能去重、压缩；在本地部署高质量的开源嵌入模型，将可变成本转化为固定成本。
- 推理成本：重排序和LLM生成是成本大头。优化方法：设置重排序置信度阈值，过滤掉低质量片段，减少送入LLM的token数；对LLM的生成参数（如max_tokens）进行合理限制。
精度：在资源有限的情况下，优先将计算资源分配给重排序环节。因为从“还不错”的候选列表中挑出“最好”的，其性价比往往高于无限追求“召回列表”的完美。一个经验法则是：用混合检索保证召回率（别漏掉），用重排序保证精确率（别选错）。

5. 典型问题排查与实战避坑指南

在实际部署和优化过程中，你会遇到各种各样的问题。这里记录了一些常见“坑”及其解决方案。

5.1 问题一：检索结果看似相关，但LLM生成的答案还是胡言乱语

可能原因1：上下文过长或噪声过大。LLM有上下文窗口限制，如果检索返回的多个片段中存在矛盾或冗余信息，会干扰模型判断。
- 排查：检查最终送入LLM的上下文总长度。检查每个片段的质量，是否包含大量无关表格、代码或格式符号。
- 解决：在重排序后，可以增加一个“上下文压缩”或“信息聚合”步骤。例如，使用LLM本身（调用一个更小、更快的模型）来总结多个相关片段的核心信息，再将总结后的精炼内容送入主LLM。LangChain的ContextualCompressionRetriever就是这个思路。
可能原因2：检索片段缺乏回答问题所需的完整上下文。比如，片段只提到了“该方法需要参数A”，但没提“参数A的取值范围是0-1”。
- 解决：优化切分策略，采用上下文感知切分。或者在检索时，不仅返回匹配片段本身，还附带其前后相邻的片段（如前后各一段），作为补充上下文一并提供给LLM。
可能原因3：LLM的指令或Prompt设计不佳。没有强令模型“严格依据给定上下文回答”。
- 解决：优化系统提示词（System Prompt）。加入强约束，例如：“请严格根据以下提供的上下文信息来回答问题。如果上下文中的信息不足以回答问题，请直接说‘根据已知信息无法回答该问题’，不要编造信息。” 并在few-shot示例中展示这种格式。

5.2 问题二：混合检索中，BM25总是压倒性优势，语义搜索不起作用

可能原因1：文档库较小或文档内容高度术语化。在技术文档、代码库中，关键词匹配本身就非常有效，语义搜索的优势不明显。
- 排查：检查向量相似度分数的分布。如果BM25分数（如ES的_score）范围是0-10，而余弦相似度范围是0.7-0.99，直接加权求和会导致BM25主导。
- 解决：对分数进行标准化（Normalization）。将两种分数分别归一化到同一区间（如0-1），再进行加权。可以使用Min-Max标准化或Z-Score标准化。RRF算法本身也是一种鲁棒的标准化融合方法。
可能原因2：嵌入模型不适合你的领域。
- 解决：按照3.1节的方法，用你的领域数据评估并微调嵌入模型。

5.3 问题三：重排序后，效果提升不明显，甚至下降

可能原因1：候选列表质量太差。如果混合检索返回的前20个文档全都完全不相关，那么再好的重排序模型也无法“无中生有”。
- 排查：人工检查混合检索返回的原始列表。如果Recall@20本身就很低（比如低于30%），问题出在召回阶段，而不是重排序。
- 解决：回头优化前端的嵌入模型、混合检索权重和元数据过滤，先保证召回率。
可能原因2：重排序模型与任务不匹配。
- 排查：重排序模型通常是在特定数据集（如MS MARCO）上训练的，这些数据集可能偏向网页搜索。如果你的任务是法律条文检索或医疗问答，该模型可能不适应。
- 解决：尝试不同的重排序模型。如果有可能，用你业务中的反馈数据（查询-相关文档对）对重排序模型进行微调，哪怕只有几百个样本，效果也可能有显著提升。

5.4 问题四：系统响应速度随着数据量增长而变慢

可能原因1：向量索引未优化。简单的暴力搜索（Flat Index）复杂度是O(N)，数据量大了必然慢。
- 解决：在向量数据库（如Milvus, Weaviate, Qdrant）中创建近似最近邻（ANN）索引，如HNSW或IVF。这些索引通过牺牲微小的精度，换来查询速度的数量级提升。需要根据数据规模和查询负载调整索引参数（如HNSW的M和efConstruction）。
可能原因2：未利用缓存。很多用户的重复查询或相似查询会被反复计算。
- 解决：引入多级缓存。
  1. 查询结果缓存：对完全相同的查询，直接返回缓存的结果（需注意上下文时效性）。
  2. 嵌入向量缓存：将频繁出现的查询文本和文档片段的嵌入向量缓存起来，避免重复调用模型计算。
  3. 使用Redis或Memcached作为缓存层，可以极大减轻数据库和模型推理的压力。