RAG检索增强

当需要RAG检索内容时触发；完整的RAG系统优化方案，涵盖21+种策略（含Self-RAG、命题分块、片段提取、上下文压缩、引用溯源、查询意图、多跳检索、文档预处理）；提供诊断工具、实现代码、配置模板与评估框架；帮助构建高准确率生产级RAG应用；当用户需要优化知识库问答、提升检索准确率、评估RAG系统效果、解决检索噪音或降低幻觉问题时使用

kiwifruit13@kiwifruit13

Install

openclaw skills install @kiwifruit13/rag-optimization

RAG检索优化技能

技能概述

本技能提供完整的RAG系统优化方案，涵盖21+种优化策略，帮助构建高准确率、生产级的RAG应用。

核心价值：

准确率可从 0.3 提升至 0.85+
提供可落地的实施代码与配置模板
包含完整的评估框架

适用场景：构建知识库问答、优化检索准确率、解决检索噪音、降低幻觉问题

环境准备与配置：详见全局操作说明

一、问题诊断

痛点自查表

症状	可能原因	诊断方法
检索不到内容	分块策略不当、向量模型不适配	检查召回率（Recall@K）
检索到但答案不准	检索噪音、重排序缺失	检查精确率（Precision@K）
答案不完整	上下文窗口不足、分块断裂	检查上下文完整性
答案有幻觉	检索内容不相关、模型过度推理	对比答案与检索内容
简单问题答不对	查询理解失败	检查查询转换效果
复杂问题答不出	缺乏多跳推理能力	评估是否需要Graph RAG

基准测试

优化前建立基准指标：recall@10、precision@5、MRR、answer_accuracy

评估工具：调用 scripts/evaluate.py 进行系统评估

二、策略全景图

text

RAG优化策略
├── 检索前优化
│   ├── 语义分块 - 基于语义相似度动态分块
│   ├── 命题分块 - 拆解为最小事实单元
│   ├── 上下文头增强 - 添加元数据头部
│   ├── 由小到大检索 - 小块检索、大块返回
│   ├── 文档预处理 - 多格式标准化处理
│   └── 查询转换 - 扩展/分解/HyDE
│
├── 检索中优化
│   ├── 混合检索 - 向量 + BM25
│   ├── HyDE - 假设文档嵌入
│   ├── 多跳检索 - 迭代收集信息
│   ├── 查询意图识别 - 动态策略调整
│   └── 自适应检索 - 根据查询特征调整
│
├── 检索后优化
│   ├── 重排序 - 两阶段检索精排
│   ├── 相关片段提取 - 提取核心内容
│   ├── 上下文压缩 - 减少Token消耗
│   ├── 引用溯源 - 标注答案来源
│   └── 幻觉检测 - 验证答案可靠性
│
├── 生成控制
│   ├── Self-RAG/CRAG - 自我纠错与质量评估
│   └── 反馈循环 - 持续优化
│
└── 架构级优化
    ├── 分层索引 - 多级索引结构
    ├── Graph RAG - 图结构知识
    └── 分层路由 - 智能路由分发

策略选择决策树

text

你的问题是什么？
│
├─ 检索不到内容？
│   ├─ 文档很长？ → 由小到大检索
│   ├─ 查询模糊？ → HyDE + 查询扩展
│   ├─ 分块断裂？ → 语义分块
│   └─ 召回率低？ → 上下文头增强
│
├─ 检索到太多噪音？
│   ├─ 有精确术语？ → 混合检索（增加关键词权重）
│   ├─ 排序不准？ → 重排序
│   ├─ Token浪费？ → 相关片段提取
│   └─ 需要溯源？ → 引用溯源
│
├─ 复杂问题答不出？
│   ├─ 需要多步推理？ → 多跳检索 / Graph RAG
│   └─ 跨领域查询？ → 分层路由
│
├─ 答案有幻觉？
│   ├─ 检索内容太长？ → 上下文压缩
│   ├─ 检索质量差？ → Self-RAG/CRAG
│   └─ 无法验证？ → 引用溯源 + 幻觉检测
│
└─ 需要精确匹配事实？
    └─ 命题分块

三、核心策略详解

策略1：语义分块

问题：固定大小分块会切断语义完整性

方案：基于语义相似度动态分块，相似度低于阈值时切分

效果：准确率 0.30 → 0.85，性价比最高

详细实现：见高级技术指南

策略2：由小到大检索

问题：小块检索精准但上下文不足，大块完整但检索不准

方案：检索小块（100-200字），返回大块（500-1000字）

三步流程：

文档切分为子块 + 父块
用子块向量检索
返回对应的父块

参数建议：技术文档(150/600字)、学术论文(200/800字)、法律条文(100/500字)

详细实现：见高级技术指南

策略3：查询转换

问题：用户查询表述不清、过于复杂

方案：用LLM转换查询形式

三种模式：

查询扩展：生成多个语义变体（适用于查询词少）
查询分解：拆解复杂问题（适用于多条件查询）
HyDE：生成假设答案用于检索（适用于短查询）

详细实现：见高级技术指南

策略4：重排序（Reranking）

问题：向量检索的初步排序不够精准

方案：两阶段检索 - 粗筛(top 50) + 精排(top 5)

流程：查询 → 向量检索 → 重排序模型 → 最终结果

模型推荐：

英文：ms-marco-MiniLM-L-6-v2（快速）或 L-12-v2（高精度）
中文：BAAI/bge-reranker-large

效果：准确率 0.50 → 0.70

策略5：混合检索

问题：纯向量检索无法精准匹配关键词

方案：向量检索 + BM25关键词检索

融合公式：final_score = α × vector_score + (1-α) × bm25_score

自适应权重：短查询/专有名词 → α=0.5，长查询 → α=0.7

效果：准确率 0.50 → 0.83

策略6：Self-RAG / Corrective RAG

问题：检索结果质量差时仍会生成错误答案

方案：在检索和生成环节增加质量评估，自动纠正错误

两种模式：

Corrective RAG：检索后评估 + 纠正动作
Self-RAG：全流程自检 + 来源标注

脚本调用：scripts/self_rag.py，支持 CorrectiveRAG 和 SelfRAG 两种模式

配置参数：max_retries、high_relevance_threshold、eval_mode 等

效果：幻觉率降低 30-50%

详细实现：见高级技术指南

策略7：相关片段提取

问题：检索到的文档块包含大量无关内容

方案：从文档块中提取与问题最相关的句子/段落

三种粒度：句子级（精确问答）、滑动窗口（通用）、语义边界（学术论文）

脚本调用：scripts/segment_extractor.py

效果：Token减少 60-80%

详细实现：见高级技术指南

策略8：命题分块

问题：传统分块粒度粗，无法精准匹配具体事实

方案：将文档拆解为最小的事实单元（命题），每个命题独立可检索

示例：

传统分块："RAG是一种技术。它能降低幻觉。"
命题分块："RAG是一种技术" + "RAG能降低幻觉"

脚本调用：scripts/proposition_chunker.py

最佳实践：与Small-to-Big结合，命题作为子块，原段落作为父块

详细实现：见高级技术指南

策略9：上下文头增强分块

问题：文档块脱离上下文后语义不完整

方案：为每个文档块添加元数据头部，补充全局背景信息

头部内容：文档标题、章节路径、主题标签、关键实体

效果：召回率提升 10-20%

脚本调用：scripts/contextual_header.py

详细实现：见高级技术指南

策略10：上下文压缩

问题：检索到的上下文包含大量无关内容，浪费Token

方案：对检索结果压缩，保留核心信息

三种模式：

提取式：选取关键句子（保真度高）
摘要式：LLM生成精炼摘要（信息密度高）
混合式：先提取再摘要（平衡方案）

脚本调用：scripts/context_compression.py

效果：Token减少 50-70%

详细实现：见高级技术指南

策略11：引用溯源

问题：答案来源不明确，无法判断可信度

方案：为答案标注引用来源，提供可信度评分

四种格式：行内引用[1]、脚注引用¹、详细引用（来源+可信度）、JSON引用

脚本调用：scripts/citation_tracker.py

效果：答案可信度显著提升

详细实现：见高级技术指南

策略12：查询意图识别

问题：用户查询表达模糊，检索策略一刀切

方案：识别查询意图类型，动态调整检索策略

七种意图：事实查询、对比分析、操作指导、概念解释、开放讨论、问题诊断、闲聊问候

脚本调用：scripts/query_intent.py

效果：答案质量提升 15-25%

详细实现：见高级技术指南

策略13：多跳检索

问题：复杂问题需要综合多个信息源

方案：迭代检索，逐步收集信息直到答案完整

适用场景："A公司的CEO在哪所大学毕业？"（先查CEO，再查毕业院校）

脚本调用：scripts/multi_hop_retriever.py

效果：复杂问题完整度提高 40%+

详细实现：见高级技术指南

策略14：文档预处理

问题：多格式文档直接向量化效果差

方案：标准化预处理，提取结构化内容

支持格式：PDF、Word、Excel、HTML、Markdown、图片（OCR）

脚本调用：scripts/document_preprocessor.py

详细实现：见高级技术指南

四、核心技术对比

技术	解决的问题	效果提升	实现难度	推荐优先级
Self-RAG/CRAG	检索错误导致答案错误	幻觉率↓30-50%	中高	1
相关片段提取	Token浪费、噪声多	Token↓60-80%	中	2
命题分块	无法精准匹配事实	精确度↑	高	3
上下文头增强	召回率低	召回率↑10-20%	低	4
上下文压缩	Token浪费、噪声多	Token↓50-70%	中	5
引用溯源	答案来源不明确	可信度↑	低	6
查询意图识别	检索策略一刀切	质量↑15-25%	低	7
多跳检索	复杂问题答不全	完整度↑40%	中高	8
文档预处理	文档质量差	基础质量↑	中	9

五、操作步骤

步骤1：问题诊断

使用痛点自查表识别问题，调用 scripts/evaluate.py 建立基准指标

步骤2：选择策略

根据策略选择决策树确定优化策略组合

步骤3：配置实现

使用 assets/config-template.json 配置参数，参考全局操作说明了解参数调优建议

步骤4：验证效果

使用评估脚本验证优化效果，对比基准指标，持续迭代

六、资源索引

核心脚本

脚本	用途
evaluate.py	RAG系统评估
self_rag.py	Self-RAG/CRAG实现
segment_extractor.py	相关片段提取
proposition_chunker.py	命题分块
contextual_header.py	上下文头增强
context_compression.py	上下文压缩
citation_tracker.py	引用溯源
query_intent.py	查询意图识别
multi_hop_retriever.py	多跳检索
document_preprocessor.py	文档预处理

参考文档

文档	说明
global-operations.md	全局操作说明（环境准备、配置规范、参数调优）
quickstart.md	5分钟快速上手
advanced-techniques.md	9项核心技术详细实现
implementation-guide.md	全链路落地实践

配置与数据

资源	说明
config-template.json	完整配置模板（含预设）
test-cases-example.json	测试用例示例

注意事项

环境准备：参考全局操作说明完成依赖安装和配置
参数调优：根据文档类型和查询特征调整参数，详见参数调优指南
策略组合：避免过度优化，根据问题诊断选择必要策略
评估迭代：优化前建立基准指标，定期评估效果

版本信息

版本: 2.0.0
更新日期: 2024-12
本次更新: 新增5项核心技术，策略总数21+，覆盖率80%+

RAG检索增强

Install

RAG检索优化技能

技能概述

一、问题诊断

痛点自查表

基准测试

二、策略全景图

策略选择决策树

三、核心策略详解

策略1：语义分块

策略2：由小到大检索

策略3：查询转换

策略4：重排序（Reranking）

策略5：混合检索

策略6：Self-RAG / Corrective RAG

策略7：相关片段提取

策略8：命题分块

策略9：上下文头增强分块

策略10：上下文压缩

策略11：引用溯源

策略12：查询意图识别

策略13：多跳检索

策略14：文档预处理

四、核心技术对比

五、操作步骤

步骤1：问题诊断

步骤2：选择策略

步骤3：配置实现

步骤4：验证效果

六、资源索引

核心脚本

参考文档

配置与数据

注意事项

版本信息

Related skills