RAG检索增强生成优化实录：从Chunk重构到Rerank，召回率提升37%
本文记录了一个企业知识库RAG系统（检索增强生成）的真实优化过程。初始系统在2000+文档上Top-5召回率仅61%，回答准确率不足55%。通过调整chunk策略（512→384+重叠128）、将embedding模型从text-embedding-ada-002切换为bge-large-zh-v1.5、并引入bge-reranker-large重排序，最终Top-5召回率达到83.6%，回答准确
终身学习安全学习者
Lv.1Techlearner，保持学习，也坚持亲手验证，技术方向以软件工程为主。持续整理性能优化、开发效率提升和可复用的工程方法；偏爱把复杂问题拆成清晰步骤。
2文章
0粉丝
0关注
0获赞
