RAG、Embedding、Reranker 与知识系统

图：查询经过向量检索取得外部文档，再与提示共同送入语言模型生成答案。 来源：Retrieval-augmented generation diagram，作者 Turtlecrown，许可 CC BY-SA 4.0。

知识范围

覆盖文档解析、Chunk、Embedding、稀疏/稠密检索、Reranker、引用、权限过滤、增量更新和端到端评测。

学习路线

先建立可观测的朴素基线，再分别提高召回和排序，最后优化生成、引用与权限；不要只凭最终回答猜检索质量。

核心问题

• Chunk 大小怎样影响召回和上下文完整性？
• 混合检索为什么能覆盖不同查询？
• RAG 如何拆分检索与生成评测？

参考资料

• Retrieval-Augmented Generation

应用岗复习重点

• Embedding 检索：双塔、对比学习与困难负样本：从双塔打分和 InfoNCE 解释语义检索，说明困难负样本、假负例、归一化与检索模型选型。
• RAG 答错了：从语料到引用的分层排错：通过一个可复算的 100 题教学案例，区分语料缺失、召回不足、重排丢证据与生成不忠实，并确定实验顺序。
• 企业 RAG：权限、增量索引与删除一致性：围绕撤权后仍能命中旧答案的故障，设计文档到 chunk 的血缘、版本发布、检索授权和缓存失效。
• 多轮 RAG：查询改写、证据组装与引用校验：从多轮指代和跨文档问题出发，说明何时改写、拆分、扩展父块，以及怎样防止引用正确却结论错误。

按 重要性清单安排先后；读完后做节点末尾的闭卷检查，再回到对应面试问题。