LangChain 入门学习第七篇-RAG 检索质量优化
内容提要
本文介绍RAG检索质量调优，重点实验三个参数：分类过滤（category）限定检索范围，top_k控制返回片段数量，chunk_size和chunk_overlap影响文档切分。通过标题加权和来源去重提升相关性，并输出调试信息帮助排查。建议先检查检索结果、chunk完整性，再调整top_k和prompt，而非直接归咎模型。
延伸解读
参数调优的优先级
文章强调，RAG 效果不佳时，应先检查检索结果、chunk 完整性，再调整 top_k 和 prompt，而不是直接归咎于模型。这提示读者，在优化 RAG 时，应遵循从数据到参数的排查顺序，避免盲目调整模型或 prompt。
分类过滤的必要性
当文档库包含多个主题时，相同关键词可能出现在不同分类中，导致检索结果混杂。通过将分类信息写入 metadata，并在检索时指定 category，可以显著缩小搜索范围，提高相关性。这提醒读者，在构建 RAG 时，合理组织文档结构并利用元数据过滤是提升准确性的有效手段。
top_k 与 chunk 参数的权衡
top_k 并非越大越好，过小会遗漏信息，过大会引入噪声。chunk_size 和 chunk_overlap 同样需要平衡：过小导致信息不完整，过大则带入无关内容。文章建议通过实验对比不同参数组合，观察输出差异，从而找到适合特定场景的配置。
调试信息的作用
输出调试信息（如命中的关键词、来源文章）有助于开发者快速定位检索问题，而不是仅依赖最终回答猜测原因。这种可观测性设计对于 RAG 系统的迭代优化至关重要，建议在实际开发中保留类似日志。
Q&A
RAG检索质量优化中，category参数的作用是什么？
category参数用于限定检索范围，只在指定的博客分类下进行检索。这样可以避免不同分类中相同关键词的干扰，使检索结果更聚焦。例如，提问FFmpeg相关问题时，可以指定--category ffmpeg。
top_k参数对RAG检索结果有什么影响？如何选择合适的值？
top_k控制返回的检索片段数量。如果太小，可能漏掉重要资料；如果太大，会引入过多噪声，干扰模型。教程阶段默认值为4，实际使用时需要根据效果调整，观察是否漏掉关键信息或上下文过于杂乱。
chunk_size和chunk_overlap在文档切分中起什么作用？
chunk_size决定每个片段的大小，过小会导致信息不完整，过大会带入无关内容。chunk_overlap让相邻片段保留重复部分，避免关键句子被切断。默认值分别为900和150，可根据文档特点调整。
RAG检索中为什么要进行标题加权和来源去重？
标题加权让标题中命中关键词的片段得分更高，提高相关性。来源去重避免同一篇文章的多个片段占满结果，确保不同文章都有机会进入上下文，增加信息覆盖面。
如何利用调试信息来排查RAG回答质量差的问题？
调试信息包括category、top_k、chunk_size、chunk_overlap和matched_keywords。通过查看命中的关键词和来源文章，可以判断检索结果是否符合预期，从而调整参数，而不是直接归咎于模型。
RAG检索质量优化的基本排查顺序是什么？
先检查检索结果是否正确，再看chunk是否完整，然后调整top_k，最后调整prompt。不要一开始就怪模型，很多时候是上下文质量不够好。
