提示:本网站现在为维护调试状态

RAG 检索增强生成实战:Embedding + Vector DB + ReRank

Choyeon
Choyeon
2026年9月22日 1 分钟阅读 574 阅读
961 字 3,448 字符 更新于 2026年11月8日
RAG 检索增强生成实战:Embedding + Vector DB + ReRank
目录

大模型闭卷考试会产生幻觉,RAG(检索增强生成)在生成前先从私有知识库检索最相关 Top-K 段落,再带着上下文答题,是目前让大模型接入企业私有数据最主流、最落地的生产方案。

文档分块与向量入库

分块是 RAG 效果的第一道闸门:太小丢上下文,太大污染检索。实际生产通常 200-800 tokens 加 15-20% 重叠窗口;按自然段/标题边界切开比硬切字符效果强很多。用 BGE-M3 / E5-large-v2 这类开源中英双语 Embedding 效果远超 openai-ada-002。

from __future__ import annotations
import json, re
from dataclasses import dataclass
from typing import Iterable
import numpy as np
import psycopg2.extras
from sentence_transformers import SentenceTransformer, CrossEncoder

CHUNK_SIZE = 512
CHUNK_OVERLAP = 80
EMBED_MODEL = "BAAI/bge-m3"
RERANK_MODEL = "BAAI/bge-reranker-v2-m3"
TOP_K_RETRIEVAL = 20
TOP_K_FINAL = 4

embedder = SentenceTransformer(EMBED_MODEL)
reranker = CrossEncoder(RERANK_MODEL)

@dataclass
class Chunk:
    doc_id: str
    chunk_idx: int
    text: str
    metadata: dict

def smart_chunk(doc_id: str, text: str, meta: dict | None = None) -> list[Chunk]:
    paragraphs = re.split(r"\n\s*\n", text.strip())
    chunks: list[Chunk] = []
    buf, buf_len, idx = [], 0, 0
    for p in paragraphs:
        p_len = len(p.split())
        if buf and buf_len + p_len > CHUNK_SIZE:
            chunks.append(Chunk(doc_id, idx, "\n\n".join(buf), meta or {}))
            idx += 1
            drop = max(1, len(buf) - (CHUNK_OVERLAP * len(buf) // max(1, buf_len)))
            buf, buf_len = buf[drop:], sum(len(b.split()) for b in buf[drop:])
        buf.append(p); buf_len += p_len
    if buf: chunks.append(Chunk(doc_id, idx, "\n\n".join(buf), meta or {}))
    return chunks

def pgvector_store(conn, chunks: Iterable[Chunk]) -> None:
    cur = conn.cursor()
    cur.execute("CREATE EXTENSION IF NOT EXISTS vector")
    cur.execute(f"CREATE TABLE IF NOT EXISTS docs (id BIGSERIAL PRIMARY KEY, doc_id TEXT NOT NULL, chunk_idx INT NOT NULL, content TEXT NOT NULL, metadata JSONB NOT NULL DEFAULT '{{}}'::jsonb, embedding vector(1024) NOT NULL, UNIQUE(doc_id, chunk_idx))")
    rows = []
    for c in chunks:
        emb = embedder.encode(c.text, normalize_embeddings=True)
        rows.append((c.doc_id, c.chunk_idx, c.text, json.dumps(c.metadata or {}), psycopg2.extras.Json(emb.tolist())))
    psycopg2.extras.execute_batch(cur, "INSERT INTO docs(doc_id, chunk_idx, content, metadata, embedding) VALUES (%s,%s,%s,%s,%s) ON CONFLICT DO NOTHING", rows)
    conn.commit()

def hybrid_search(conn, query: str, top_k: int = TOP_K_RETRIEVAL, category: str | None = None):
    q_emb = embedder.encode(query, normalize_embeddings=True).tolist()
    cur = conn.cursor(cursor_factory=psycopg2.extras.RealDictCursor)
    where_sql = "AND metadata->>'category' = %s" if category else ""
    params = [q_emb, top_k] + ([category] if category else [])
    cur.execute(f"SELECT id, content, metadata, 1 - (embedding <=> %s::vector) AS score FROM docs WHERE true {where_sql} ORDER BY embedding <=> %s::vector LIMIT %s", params)
    return [(h["content"], {"id": h["id"], "meta": dict(h["metadata"]), "vec_score": float(h["score"])}) for h in cur.fetchall()]

def rag_answer(conn, query: str, **filters) -> dict:
    raw_hits = hybrid_search(conn, query, **filters)
    if not raw_hits: return {"answer": "抱歉,未找到相关资料。", "citations": []}
    texts = [h[0] for h in raw_hits]
    scores = reranker.predict([(query, t) for t in texts], apply_softmax=True)
    ranked = sorted(zip(scores, raw_hits), reverse=True)[:TOP_K_FINAL]
    contexts = [f"[{i+1}] {t[1][0]}" for i, t in enumerate(ranked)]
    citations = [{"id": t[1][1]["id"], "rerank_score": float(t[0]), **t[1][1]["meta"]} for t in ranked]
    prompt = f"基于以下参考资料回答问题,每句结论必须标注引用编号[1]-[{TOP_K_FINAL}];资料外的内容用'根据所提供资料无法确定'回答。\n参考资料:\n{chr(10).join(contexts)}\n\n问题:{query}\n带引用的答案:"
    return {"answer_prompt": prompt, "citations": citations}

检索+重排两阶段流水线

向量库 ANN 召回 Top 20-50 保证召回率(不要一开始就取 Top3),再用 CrossEncoder(Reranker)精排到 Top 4 喂给大模型,综合相关性质量提升 20-40%。最终给 Prompt 注入参考资料编号,要求回答强制标注引用编号,可追溯防幻觉。

模块 朴素方案(Demo) 生产方案(推荐) 质量提升
分块 硬切 1000 字符 自然段边界+512词+15%重叠 +20-35%
Embedding openai text-ada-002 BAAI/bge-m3 多语言 +15-25%
检索 向量余弦 Top3 ANN Top30 + Metadata过滤 +10-20%
精修排序 不做 CrossEncoder Reranker +20-40%
回答生成 直接拼接context 引用编号强制溯源+拒答兜底 -40-60%幻觉率

最佳实践

上线前一定要离线评测:建立 100 条标注问题集(query+期望引用chunk列表),监控 Recall@10/Reciprocal Rank/MRR 三个指标。分块策略、模型、Rerank 的每一次改动都要量化对比,不要凭感觉调参。

X微博Telegram

本文作者

投票

你最希望 Rosetta 优先加入哪项功能?

社区投票(演示数据,可后台删除)

评论 (7)

0 / 3000
安全小白白
安全小白白seclab.digital2026年9月4日

受益匪浅,感谢大佬分享!

后端螺丝钉
后端螺丝钉backend-diary.com2026年9月4日

楼主,我按照你的步骤操作后启动报错:Error creating bean with name 'dataSource',版本是 Spring Boot 3.2,请问有遇到过吗?

DevOps小能手
DevOps小能手devops-lab.cn2026年9月4日

太及时了,正好项目里要上 Redis 集群,照着来一遍省了好多事,谢谢!

独立开发者阿明
独立开发者阿明aming.dev2026年9月4日

补充一点:实际使用中如果遇到 MySQL 的 8 小时超时问题,可以在连接串里加 autoReconnect=true 参数,虽然官方不推荐但挺好用的。

数据库小管家
数据库小管家dbtips.pro2026年9月4日

哈哈,楼主的踩坑经历和我一模一样!我当时就是没注意到这个配置,排查了整整两天,看到这篇文章泪目了。

AI炼丹学徒
AI炼丹学徒2026年9月4日

有个小问题:你文中用的是 @Async 注解,这个默认用的是 SimpleAsyncTaskExecutor,生产环境是不是最好手动配一个线程池?

开源贡献者小Z
开源贡献者小Zoss-z.dev2026年9月4日

好文!但是我觉得第三部分那个消息队列选型对比表有点偏向 Kafka 了,RocketMQ 在事务消息这块其实优势挺明显的。

相关文章

Alembic 深度指南:数据库迁移 + 自动生成 + 分支合并

Alembic 深度指南:数据库迁移 + 自动生成 + 分支合并

SQLAlchemy 官方迁移工具 Alembic 完全指南:从 env.py 配置、autogenerate 自动检测模型变更(字段、索引、约束)、批处理脚本、downgrade 回滚策略,到多人并发开发时 migration 分支冲突、head 分叉合并的标准操作流程,附生产部署检查表。

1 分钟阅读
算法与数据结构:动态规划 5 大解题模板

算法与数据结构:动态规划 5 大解题模板

彻底掌握动态规划:先给出通用 DP 解题五步法,再精解五大高频模板:背包类、子序列类、区间DP、状态压缩DP、树形DP,每个模板附典型代码与变形要点。

1 分钟阅读
Python 并发:asyncio vs ThreadPool vs ProcessPool

Python 并发:asyncio vs ThreadPool vs ProcessPool

深度对比 Python 三大并发模型:GIL 限制下的线程池(IO 密集)、进程池(绕 GIL 适合 CPU 密集)、asyncio 协程(超高并发 IO)。从原理/性能/复杂度四维度给出选型决策树。

1 分钟阅读
Prompt Engineering 入门:Few-Shot + CoT + 结构化输出

Prompt Engineering 入门:Few-Shot + CoT + 结构化输出

系统入门 Prompt Engineering 三大核心技术:Few-Shot 示例学习注入专业领域风格、Chain-of-Thought (CoT) 思维链引导复杂推理、JSON Schema 强制结构化输出对接下游系统。附真实 prompt 模板和避坑指南。

1 分钟阅读
快速上手 FastAPI - 构建高性能 REST API

快速上手 FastAPI - 构建高性能 REST API

FastAPI 是现代 Python Web 框架中的佼佼者,基于类型提示自动生成文档、支持异步操作、性能媲美 Node.js。本文将通过实战项目带你从零构建一个完整的 CRUD API,涵盖路由定义、请求验证、依赖注入、数据库集成等核心特性,让你在 30 分钟内掌握 FastAPI 的精髓。

这篇文章需要访问密码 4 分钟阅读
Nuxt 3 进阶 - SSR 与 SSG 深度解析

Nuxt 3 进阶 - SSR 与 SSG 深度解析

Nuxt 3 基于 Vue 3 和 Vite 构建,带来了全新的渲染引擎 Nitro。本文深入剖析服务端渲染(SSR)、静态站点生成(SSG)、增量静态再生(ISR)三种核心模式的工作原理、适用场景与性能差异。配合真实代码演示如何配置渲染策略、优化首屏加载时间、处理缓存策略,打造极致用户体验。

1 分钟阅读