RAG如何保证检索结果的相关性？

1. 混合检索策略

• 向量搜索（语义搜索）：基于查询与文档在向量空间中的语义相似度进行检索，能够理解同义词和上下文关系；可使用 Gemini Embedding 2、Amazon Nova Multimodal Embeddings 等先进模型
• 关键词搜索（BM25）：基于词汇匹配进行检索，确保精确匹配查询中的关键术语
• 混合检索融合：结合向量搜索与关键词搜索的优点，使用加权融合或排序融合算法（如 RRF：Reciprocal Rank Fusion）生成最终排序；也可使用学习融合模型进行更精确的融合
• 查询路由（Query Routing）：将不同性质的查询发送到不同的检索管道，提高检索效率，是较新的检索优化技术

2. 查询理解与改写

• 查询意图识别：分析用户的查询意图，确定所需信息的类型和范围
• 查询改写与扩展：对原始查询进行改写或扩展，生成多个相关查询，提高检索召回率
• 查询分解：将复杂查询分解为多个子查询，分别检索后合并结果

3. 结果重排序与过滤

• 重排序模型（Reranker）：使用交叉编码器或更精细的模型对初步检索结果进行重新打分，将最相关的结果排在前面
• 上下文感知过滤：基于查询的上下文信息（如对话历史、用户偏好等）对检索结果进行过滤
• 多样性保证：确保检索结果覆盖查询的多个方面，避免结果过于单一

4. 元数据与过滤条件

• 元数据过滤：利用文档的元数据（如发布时间、作者、来源、类别等）对检索结果进行过滤
• 权限与访问控制：确保检索结果符合用户的访问权限，避免泄露敏感信息
• 时效性过滤：优先返回最新或最相关的文档，特别是对于时效性强的查询