第 9 章：RAG 管道高级优化

在 RAG 应用中，最常见的抱怨是：“AI 找不到我文档里的内容”。本章将带你深入底层，通过混合检索、重排序和查询改写，大幅提升检索精度。

9.1 检索质量提升：混合检索与 Rerank 模型的应用

传统的 RAG 只依赖向量检索（Vector Search），容易在关键词匹配上失灵。Dify 的进阶优化方案是：

9.2 Embedding 模型选型与优化

1. 多语言模型：推荐使用 BGE-M3 (支持 100+ 语言) 或 OpenAI text-embedding-3-large。
2. 维度匹配：确保 Embedding 模型输出维度与向量数据库设置一致。
3. 微调 Embedding：针对垂直领域（如医疗、法律），可以使用领域数据对 Embedding 模型进行微调（高级）。

9.3 知识库预处理高级技巧：Chunking 策略与元数据增强

• 分块 (Chunking) 策略：
  • Overlap (重叠度)：在两个分块之间保留 10%-20% 的重叠，防止核心语义在断句处丢失。
  • 语义分块：使用 LLM 识别段落边界，按逻辑分块而非固定长度。
• 元数据 (Metadata) 增强：
  • 为每个分块添加“文件名”、“章节标题”、“关键词”等标签。
  • 检索时可以利用元数据进行过滤（如：只在“2026年报告”这个分类下检索）。

9.4 查询增强：通过 Query 改写提升召回率

• 查询重写 (Query Rewriting)：
  • 使用 LLM 将用户的模糊提问改写为更适合检索的专业术语。
  • 例如：用户问“怎么用这个？”，LLM 改写为“Dify 平台本地部署及应用编排的详细操作步骤”。
• 多查询生成 (Multi-Query)：
  • 针对用户的一个问题，生成 3 个不同侧重点的提问，分别检索后再汇总结果。

下一章预告：我们将进入最后的实战阶段，学习如何进行企业级部署与运维，并分享几个综合实战案例。