外面讲 RAG 的文章一开口就是「检索增强生成」的三段论定义，我不重复这个。这篇只回答一个问题：这套系统是怎么跑通的。 全文按两条线走——「存」和「找」。每个环节末尾有一句话小结，链到我已经写好的深拆文章，想抠细节的点开看，不想抠的看完这条线也够你搭出同款。

定调：RAG 就两件事，存和找

一句话把 RAG 说尽：把公司文档喂给大模型之前，先检索出最相关的几段，让模型只根据资料回答。所以系统的上限在哪里？我的结论是：RAG 的上限在检索，不在大模型。 模型只负责把资料组织成人话，检索决定它能看到什么。资料给错了，再贵的模型也只是把错误说得更流畅。

顺带回答一个选型问题：为什么是 RAG 而不是微调？这是整个系列的前置判断，我在 「RAG 还是微调？大模型应用 3 种模式别选错」 里拆过——企业知识库这种「资料持续更新、答案必须可溯源」的场景，RAG 是默认答案，不在这里展开。

下面进入正题。

存这条线：让知识库有进有出

环节一：文档入库，本质是一套状态机

第一版我图省事，上传即入库，很快就后悔了——知识库变成垃圾堆，什么过期报价单、写了一半的文档都在里面被检索出来。现在的设计：

• 格式：支持 txt / docx / pdf / xlsx，上传后统一解析成纯文本；
• 元数据：文档表带完整生命周期字段——密级、访问范围、归属部门、版本号，改了哪版一清二楚；
• 状态机：草稿 → 入库 → 已发布 → 下架。只有 published 状态的文档块参与检索；发布后锁死，想改必须先下架，重新入库会覆盖旧向量。

这个状态机不值钱吗？太值钱。密级和访问范围让「哪个部门能问什么」有了落点，这是企业知识库和个人玩具的分水岭。

一句话小结：入库不是把文件塞进数据库，是给它上户口。 至于文档怎么切块、切完检索到小块要不要回查整篇，我另外写过 「RAG 父页面召回？这 3 种场景不值得做」，先把边界讲清楚，别盲目上父文档召回。

环节二：切块 + 向量化，三个坑替你们踩了

长文档切成小 chunk，用 bge-m3 转成向量，存进 Chroma 向量库（我库里从头到尾就一个 collection，没必要整花活）。提问时把问题也转向量，找距离最近的片段——这就是向量检索的全部原理，剩下的全是工程细节。

踩坑实录，三条都真金白银花时间：

1. Chroma 查询的 include 参数要传字符串数组，随手传个字符串就报错；
2. metadata 字段名统一用下划线，混用驼峰和下划线会让你查库时一脸懵；
3. query 和入库必须用同一个 embedding 模型——换模型不是升级，是两个宇宙的对不上，换模型就得全量重灌，新旧向量绝不混库（同维度也不行）。

一句话小结：向量检索翻车，八成是入库和查询不同路。

找这条线：四步把答案捞上来

环节三：双路粗召——向量 + 手写 BM25

纯向量检索有个死穴：专有名词、缩写、产品型号会翻车，向量对这种精确匹配就是不准。所以关键词这一路必须有。

我没上 ES 这种现成轮子，BM25 引擎是自己手写的（这大概是最能体现「手搓」的一个环节）：

• jieba 中文分词 + 倒排索引，核心参数 k1=1.5、b=0.75，没有引第三方 BM25 库；
• Nitro 服务启动时从数据库里 published 状态的 chunks 预热建索引，零冷启动，预热失败也不阻塞服务启动；
• 召回后回查数据库补全文，向量库只管「找到哪块」，不管「给出全文」。

检索时两路并行：向量和 BM25 各粗召 top-20，用 Promise.allSettled 包着——单路挂了，另一路自动兜底，服务不停摆。

一句话小结：混合检索 = 广撒网两路并行 + 一路挂掉另一路兜底。 四步怎么搭、每步参数怎么定，看 「RAG 检索总跑偏？混合检索四步直接抄」。

环节四：RRF 融合——扔掉分数，只认名次

两路都召回了，分数没法直接比：向量给的是余弦相似度，BM25 给的是另一套量纲，硬加权平均是玄学。

我的方案是 RRF（Reciprocal Rank Fusion），k=60：分数全部扔掉，只用名次。两路都认的片段自然浮到前面，融合后取 top-20。每一路的名次都记进日志，后面调试全靠它。

一句话小结：量纲不同别硬融合，名次是唯一通用货币。 k 值为什么取 60、融合细节，同样在 混合检索四步 里拆过。

环节五：Query 改写——用户不会提问，系统替他补全

真实用户的提问又短又含糊：「那个多少钱」「上次说的发货呢」。直接拿这种话去检索，神仙难救。

所以在粗召前面加了一步改写：规则 6 条、类型 6 种，输出 JSON，temperature 压到 0.1；两道成本短路（首条消息无历史直接跳过、启发式指代词判断），失败全部降级用原话。最关键的一条设计：改写只用于检索，生成时模型看到的还是用户原话——改写错了不污染答案。

一句话小结：改写是给检索器用的，不是给用户看的。 四步流程看 「RAG 怕问得含糊？Query 改写四步直接抄」，规则和类型清单看 「RAG 改写没头绪？6 规则配 6 类型直接抄」。

环节六：精排 + 生成——最后五段决定答案质量

粗召是广撒网，top-20 里良莠不齐。最后一步用 bge-reranker-v2-m3 做 cross-encoder 精排：把问题和每条候选成对过一遍模型，逐条打分重排，只取 top-5 注入上下文，交给 DeepSeek 流式输出（SSE，打字机效果）。rerank 服务不可用时自动降级：按 RRF 分或召回原始序截断——精度掉一点，服务不断。

生成侧的 system prompt 上了硬约束：只根据资料回答，找不到就说找不到，不许编。 配合前端把命中片段的名次、来源全部展示出来，答错了能追责到具体文档。

一句话小结：精排是唯一「问题+资料同场打分」的环节，值得为它留降级通道。

全链路可观测：效果差的时候，先知道差在哪

最后一环不是某个算法，是工程习惯：

• 混合 / 纯关键词 / 纯向量三种模式页面一键切换，同一个问答抽屉按 mode 切换，切模式时强制重建组件清掉历史答案，防止新旧混着看；
• 单独的关键词检索、向量检索调试接口，支持单路对比；还有个 retrieveOnly 开关——只看检索结果，不触发生成；
• 每一路的名次、得分全部打日志。

这套 observability 的回报巨大：用户反馈「答得烂」，我十分钟就能定位是检索没捞到、还是捞到了模型没用好。排查思路我写成了一篇 「RAG 效果差怎么调试？面试官要听的排查思路」，面试和干活都用得上。

说点效果，也说实话

链路参数都在明处：双路各 top-20、RRF 融合取 top-20、精排取 top-5、k=60、k1=1.5、b=0.75。但你要问我「准确率提升多少个百分点」——说实话没有脸说，因为我没建标准评估集，上线前后的评测数字我没记下来，这是这期的欠账，补上评测再写。我唯一敢负责的话是：加精排和改写之前，专有名词类问题经常答不上来；之后这类问题基本能稳定命中——这是体感，不是数据。

手搓一圈最大的收获不在算法，在心态：RAG 系统 80% 的工程问题，最后都归结为「数据进库时没管好，查询进来时没接住」。 状态机、日志、降级通道，这些最土的工程实践，恰恰是 AI 应用最缺的东西。

这是「老朱的 RAG 系列」总开篇，六个环节各有一篇深拆，链接都在文中。下一篇不在 RAG 系列里，但和这套系统的账单直接相关：四个 AI API 平台的价格/速度/稳定性实测对比——手搓很爽，token 很贵，怎么选不花冤枉钱，下篇见。