6.3 检索优化三板斧：查询改写、分块策略、召回率优化实战

检索优化三板斧：查询改写、分块策略、召回率优化实战

查询改写、分块、召回优化，让 RAG 检索更准更全。本节基于《AI工程》第6章「RAG and Agents」— Retrieval Optimization：查询改写、分块策略、向量数据库选型、召回率优化。

一、检索为何需要优化？

Chip Huyen 在《AI工程》第6章将检索优化列为 RAG 的重要环节。默认配置下，RAG 常出现：检索不到、检索不准、检索到无关内容。书中指出，检索质量直接影响生成质量，是 RAG 的瓶颈之一。本节从查询改写、分块策略、召回优化三方面，系统提升检索质量。

二、第一板斧：查询改写

2.1 问题

《AI工程》指出，用户查询往往简短、口语化，与文档表述不一致，导致向量匹配差。例如用户问「怎么退钱」，文档可能写「退款流程」，语义相近但用词不同。

2.2 方法

2.3 代码示例

defquery_expansion(original_query:str,llm)->list:"""查询扩展（对应书中查询改写）"""prompt=f""" 基于以下用户问题，生成 2-3 个不同表述的检索用查询，保持原意。 用户问题：{original_query}每行一个查询。 """response=llm.generate(prompt)queries=[q.strip()forqinresponse.strip().split("\n")ifq.strip()]return[original_query]+queriesdefmulti_query_retrieve(queries:list,retriever,top_k_per_query:int=3):"""多 query 检索合并"""all_docs=[]forqinqueries:docs=retriever.get_relevant_documents(q)[:top_k_per_query]all_docs.extend(docs)returndeduplicate_by_content(all_docs)[:top_k_per_query*2]

三、第二板斧：分块策略

3.1 问题

书中强调，分块策略影响检索质量。块太大：噪声多；块太小：上下文不足。需根据文档类型与任务特点选择。

3.2 策略对比

3.3 代码示例</