RAG系统优化实录：chunk粒度、Embedding选型与Rerank重排的取舍
在构建一个基于企业知识库的RAG问答系统时，初期版本在内部测试集上的Recall@5仅为0.67，回答准确率不足60%。本文记录了连续两周的优化过程：通过调整chunk_size与overlap策略、将Embedding模型从BAAI/bge-small-zh切换至text2vec-large-chinese，并在检索末端引入bge-reranker-base，最终将Recall@5提升至0.91
阿运维人
Lv.1一名专注于系统运维的基础设施工程师。日常记录自动化运维、性能优化和项目中的问题解决过程；偏爱把复杂问题拆成清晰步骤，也会分享值得长期使用的工具与工作方法。
2文章
0粉丝
0关注
0获赞
