文章目錄D13 | RAG 進(jìn)階：混合檢索、ReRank、查詢改寫寫在前面一、樸素 RAG 的 3 個痛點痛點 1：找不到含"專有名詞"的文檔痛點 2：top-3 里沒正確答案，但 top-10 里有痛點 3：用戶的"問法"和"答案"不匹配二、武器 1：混合檢索（向量 + BM25）2.1 核心思想2.2 BM25 是什么2.3 向量檢索 + BM25 混合2.4 alpha 怎么調(diào)？三、武器 2：ReRank（粗排后精排）3.1 核心思想3.2 ReRank 模型① Cohere Rerank② bge-reranker（開源本地）③ LLM 自己做 ReRank（兜底方案）3.3 完整 ReRank 流程3.4 ReRank 效果數(shù)據(jù)四、武器 3：查詢改寫（Query Rewrite）4.1 核心思想4.2 3 種改寫策略策略 1：原意保留策略 2：多角度展開策略 3：HyDE（Hypothetical Document Embeddings）4.3 查詢改寫實戰(zhàn)4.4 什么時候用哪種？五、3 武器組合：生產(chǎn)級 RAG5.1 成本權(quán)衡5.2 決策樹六、實戰(zhàn)：60% → 93% 提升全流程6.1 起點：樸素 RAG6.2 升級 v2：換 Embedding6.3 升級 v3：+ 混合檢索6.4 升級 v4：+ ReRank6.5 升級 v5：+ 查詢改寫（生產(chǎn)級）6.6 效果對比七、避坑指南坑 1：ReRank 用了閉源模型數(shù)據(jù)走外網(wǎng)坑 2：查詢改寫越改越差坑 3：ReRank 選了 top-3 太保守坑 4：混合檢索權(quán)重 alpha 不會調(diào)坑 5：查詢改寫 + 混合檢索組合時計算量爆炸八、這一篇的小結(jié)8.1 5 個 Key Takeaway8.2 決策樹8.3 思考題下篇預(yù)告D13 | RAG 進(jìn)階：混合檢索、ReRank、查詢改寫系列：《60 天 AI 全棧轉(zhuǎn)型：傳統(tǒng)開發(fā)者的大模型工程師之路》（S1 模塊 3 · RAG 實戰(zhàn) ⑤ ·模塊 3 收官）作者：劉一說（haohaizi_liu）| 15 年開發(fā)管理經(jīng)驗配套代碼：https://gitcode.com/road-emblem/60-days-ai-stack寫在前面D9 我們講了 RAG 是什么，D10 講了向量數(shù)據(jù)庫，D11 講了 Embedding + 切片，D12 我們手搓了 30 行 RAG 跑通。但跑通 ≠ 準(zhǔn)。一個樸素 RAG 系統(tǒng)，準(zhǔn)確率通常只有60-75%——用戶的問法稍微"繞"一點，AI 就答非所問。這一篇我們講3 個進(jìn)階武器，把 RAG 準(zhǔn)確率從 70% 拉到90%+：混合檢索——向量 + 關(guān)鍵詞（BM25）雙管齊下ReRank——粗排后再精排，準(zhǔn)確率 +20%查詢改寫——AI 把"問法"先改清楚D13 是模塊 3「RAG 實戰(zhàn)」的收官篇。把這 3 個武器用好，你