检索策略与重排序：让 RAG 从"能查"变"查得准"专栏导航：这是《LangChain 30篇精讲》系列的第 16 篇，也是模块四：RAG 实战的第三篇。前两篇我们把索引搭好了（加载 → 分割 → 向量化 → 存储），基础向量检索也跑通了。但"能搜到"和"搜得准"之间，隔着一整套优化工程。本篇就来讲这个。写在前面：为什么向量检索"看起来很美好"？先说个很多人踩过的坑。有个同学做了个技术文档问答系统，用的是最标准的流程：切块 → 向量化 → Chroma → 相似度检索 Top 3 → 丢给 LLM。自己测了几个问题，效果"感觉还行"，就上线了。结果真实用户一用，问题一堆：用户问"LangChain 0.3 版本有什么新特性？" → 系统返回的是 0.2 版本的文档内容用户问"LCEL怎么写" → 返回了一大段讲 Chain 的内容，没提 LCEL用户问"ChatOpenAI这个类怎么用" → 返回的文档里根本没出现过这个词他一开始以为是 Embedding 模型不行，换了个更贵的模型，几乎没改善。真正的原因是：他用的是纯向量检索，而纯向量检索有几个天生的短板。 十六、检索策略与重排序：让 RAG 从“能查“变“查得准“
检索策略与重排序：让 RAG 从"能查"变"查得准"专栏导航：这是《LangChain 30篇精讲》系列的第 16 篇，也是模块四：RAG 实战的第三篇。前两篇我们把索引搭好了（加载 → 分割 → 向量化 → 存储），基础向量检索也跑通了。但"能搜到"和"搜得准"之间，隔着一整套优化工程。本篇就来讲这个。写在前面：为什么向量检索"看起来很美好"？先说个很多人踩过的坑。有个同学做了个技术文档问答系统，用的是最标准的流程：切块 → 向量化 → Chroma → 相似度检索 Top 3 → 丢给 LLM。自己测了几个问题，效果"感觉还行"，就上线了。结果真实用户一用，问题一堆：用户问"LangChain 0.3 版本有什么新特性？" → 系统返回的是 0.2 版本的文档内容用户问"LCEL怎么写" → 返回了一大段讲 Chain 的内容，没提 LCEL用户问"ChatOpenAI这个类怎么用" → 返回的文档里根本没出现过这个词他一开始以为是 Embedding 模型不行，换了个更贵的模型，几乎没改善。真正的原因是：他用的是纯向量检索，而纯向量检索有几个天生的短板。