我要投稿

RAG数据召回优化方案——先进行标量召回再进行相似度召回

发布日期：2025-11-22 15:33:44 浏览次数： 1668

作者：AI探索时代

微信搜一搜，关注“AI探索时代”

“ RAG召回时最好进行多次过滤，这样才能大大提升召回文档的质量。”

关于RAG数据召回技术，大家都都知道现在普遍使用的是相似度(语义)召回方式；但对没有真正实际操作过的人来说，可能会认为RAG只能进行相似度召回；但在真正的业务场景中，标量召回的效果可能会比相似度召回更好。

原因在于，RAG的目的是为了更准确的召回与问题相关的内容，但并没有限制具体的召回方式，不论是传统的字符匹配，分词技术(如es)，还是现在爆火的相似度计算都可以作为数据召回的手段，而且可以根据不同的场景选择合适的召回方式。

标量召回和相似度召回

标量召回就是基于传统的字段匹配的方式，而相似度召回是基于向量计算的方式；其分别对应传统的关系型数据库和现在的向量数据库。

向量数据库作为一个相对比较新的中间件，可能部分刚开始学习向量数据库的人并不了解其运作机制，可能会有人认为其只支持向量计算。

但事实是，向量数据库和传统的数据库并没有什么特别本质的区别，其更像是在传统数据库的基础之上，增加了向量计算，以及单独的向量字段，因此向量数据库同样支持传统的字符匹配模式。

我们都知道在RAG中有一个非常重要的组件——Embedding嵌入模型，其作用是把自然语言转换成向量形式。

而向量数据库的运作原理就是，在文档处理阶段，通过对文档进行拆分，然后再通过embedding模型把拆分之后的文档转换成向量模式，之后保存到向量数据库中的向量字段中。

然后在用户提问时，通过同样的方式把用户问题转换成向量模式，之后再通过某种计算方式对用户问题和拆分的文档进行向量匹配，如欧式距离，余弦相似度计算等方式，来计算用户问题和具体文档之间的相似度，相似度越高，其语义相关性越大；这就是相似度召回的基本原理。

但是呢，相似度计算毕竟不是很准确，特别是在语义不明确的情况下；其召回的数据质量真的无法保证，因此这时就需要使用标量召回配合相似度召回来提升文档的召回质量。

举例来说，针对不同的用户可能存在不同的特性，然后可以把这些特性作为文档的属性进行数据隔离；如有些文档属于部门专有文档，有些文档属于用户文档，有些文档又属于企业内部文档；而部门名称，用户文档，企业文档等都属于数据特征。

因此，不同用户提出的问题，可以先根据用户所在的部门，或者属于消费者和管理者的角色，先筛选出对于角色的文档；然后再次基础之后，在进行相似度召回，这样就能大大提升文档召回的准确率。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-12-16

让AI真正懂数据：猫超Matra项目中的AI知识库建设之路

2025-12-10

最新力作：一招提升RAG检索精度20%

2025-12-10

Apple 入局 RAG：深度解析 CLaRa 框架，如何实现 128x 文档语义压缩？

2025-12-09

客服、代码、法律场景适配：Milvus Ngram Index如何百倍优化LIKE查询| Milvus Week

2025-12-09

一键把碎片变成有料笔记：NoteGen，一款跨平台的 Markdown 笔记应用

2025-12-07

Embedding模型选型思路：相似度高不再代表检索准确（文末附实战指南）

2025-12-06

Palantir Ontology 助力AIP Agent落地工具介绍：Object Query

2025-12-05

把AI记忆做好，是一个价值6千亿美元的市场

了解更多

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

Embedding与Rerank：90%的RAG系统都搞错了！为什么单靠向量检索会毁了你的AI应用？

2025-10-04

企业级 RAG 系统实战（2万+文档）：10 个项目踩过的坑（附代码工程示例）

2025-10-11

存算一体破局向量检索瓶颈，IBM放出王炸VSM：性能飙升100倍，能效碾压GPU千倍，RAG要变天？

2025-09-30

总结了 13 个顶级 RAG 技术

2025-10-12

RAG 深度解读：检索增强生成如何改变人工智能

2025-12-04

大模型生态的“不可能三角”：规模化应用的架构困境？

2025-11-04

RAGFlow 深度介绍

2025-10-31

RAGFlow v0.22.0 发布：数据源同步、变量聚合、全新管理界面与多项重大更新

2025-11-13

任何格式RAG数据实现秒级转换！彻底解决RAG系统中最令人头疼的数据准备环节

2025-10-12

大模型RAG入门宝典｜从AI搜索到实战搭建，小白&程序员必收藏的检索增强指南

2025-12-03

大家都在问

Apple 入局 RAG：深度解析 CLaRa 框架，如何实现 128x 文档语义压缩？

2025-12-10

RAG知识库迎来大洗牌：GraphRAG如何让机器真正读懂世界？

2025-11-23

再谈RAG的文档解析——文档解析的难点在哪里？

2025-11-20

为什么RDF是AI系统的“天然知识层”？

2025-11-19

大模型生态的“不可能三角”：规模化应用的架构困境？

2025-11-04

Embedding与Rerank：90%的RAG系统都搞错了！为什么单靠向量检索会毁了你的AI应用？

2025-10-04

存算一体破局向量检索瓶颈，IBM放出王炸VSM：性能飙升100倍，能效碾压GPU千倍，RAG要变天？

2025-09-30

您应该为您的 RAG 系统使用哪种分块技术？

2025-09-10

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB

应聘简历请发送至： [email protected]

联系我们

售前咨询

预约演示

微信扫码

添加专属顾问

回到顶部