文章摘要
前两篇分别讨论了RAG质量问题的总体诊断，以及文档解析与Chunk工程。本篇进入检索核心：为什么企业知识库不能只依赖单一向量召回，Dense、Sparse、Metadata过滤、融合、重排和权限控制应如何组合，以及怎样通过黄金测试集和线上指标持续治理召回质量。本文给出一套可落地的生产级检索架构、数据结构、查询流程、评测指标和灰度发布方法。
一、企业RAG的检索目标不是“语义相似”
普通向量搜索关注：
问题与文档是否语义接近
企业RAG还必须同时满足：
内容相关
＋用户有权限
＋版本有效
＋来源可信
＋包含可回答证据
＋上下文不过度重复
例如用户问：
型号ZX-880的标准接口是什么？
Dense向量可能召回：
设备接口设计原则
同系列ZX-860说明书
接口兼容性白皮书
但真正答案在：
ZX-880产品规格表第3.2节
这类精确型号、合同号、制度编号和缩写，是Sparse或关键词检索的优势。
因此，企业RAG通常需要：
权限过滤
→ Dense召回
＋ Sparse召回
→ 融合
→ 重排
→ 去重和多样性控制
→ 上下文构建
二、先明确检索流水线的每一层
完整架构：
用户问题
→ 身份与权限解析
→ 查询标准化
→ 查询分类
→ Metadata过滤
├─ Dense Retrieval
├─ Sparse Retrieval
├─ 结构化检索
└─ 业务规则候选
→ Fusion
→ Reranking
→ Version Selection
→ Deduplication
→ Diversity Control
→ Context Budget
→ LLM生成
每一层解决不同问题。
权限解析
决定用户能看什么。
查询标准化
处理：
- 拼写；
- 大小写；
- 全半角；
- 型号格式；
- 日期；
- 术语别名。
查询分类
判断是：
精确查询
语义查询
复杂组合查询
Metadata过滤
限制租户、部门、状态、版本和有效期。
多路召回
提高候选覆盖率。
融合与重排
把候选变成真正适合回答问题的证据。
三、Dense召回负责什么
Dense向量适合：
- 同义表达；
- 自然语言问题；
- 概念关系；
- 跨语言语义；
- 模糊描述；
- 用户不知道标准术语的情况。
例如：
如何防止经销商跨区域销售？
知识库可能使用术语：
防窜货
渠道流向控制
跨区预警
Dense检索能够理解语义联系。
但Dense的局限包括：
- 型号数字区分弱；
- 专有名词容易近似；
- 否定条件处理不稳定；
- 相似主题文档容易互相干扰；
- 同一产品不同版本难以区分。
因此，Dense是基础，但不是全部。
四、Sparse召回负责什么
Sparse检索可以是：
- BM25；
- 全文索引；
- SPLADE；
- 稀疏Embedding；
- 数据库文本索引。
它擅长：
- 产品型号；
- 合同编号；
- 人名；
- API字段；
- 错误码；
- 专业缩写；
- 精确短语。
例如：
E10042错误怎么处理？
Sparse可以直接命中错误码。
缺点：
- 同义词能力弱；
- 用户表达与文档词汇不同会漏召；
- 中文分词质量影响较大；
- 长问题中关键词权重可能失衡。
Dense与Sparse的组合可以互补。
五、结构化检索不能被向量搜索取代
部分问题本质上是数据库查询：
订单A1001当前状态是什么？
不应该在文档向量库中搜索订单
