RAG检索增强生成优化：从0.61到0.89，chunk策略与rerank的联合调优
本文记录了一个真实RAG系统（检索增强生成）的优化过程。初始版本召回率仅0.61，答案准确率不足70%。通过将固定chunk从512改为语义分割+滑动窗口、embedding模型从text-embedding-ada-002切换为bge-large-zh-v1.5、引入bge-reranker-large重排序，最终Recall@5达到0.89，端到端准确率提升至86%。文中包含完整代码、版本号、
认真做增长方法手册
Lv.1关注产品增长，长期记录用户体验优化、原型和交互思考和从需求到交付的完整过程。偏爱把复杂问题拆成清晰步骤，希望用清晰的方法帮助产品与业务更高效地落地。
2文章
0粉丝
0关注
0获赞
