检索配置

检索是 RAG 流水线中连接知识库与大模型的关键环节。Snail AI 提供了混合检索方案，同时运用向量语义检索和 BM25 关键词检索，并通过融合排序和重排序机制，最大化检索的准确性和召回率。

检索架构

混合检索

混合检索结合了两种互补的检索方式：

向量检索（Dense Retrieval）

将用户问题通过 Embedding 模型转换为向量，在向量数据库中进行相似度搜索（如余弦相似度或内积）。

优势：

理解语义，能匹配意思相近但措辞不同的内容
适合自然语言问题

劣势：

对专有名词、缩写、ID 编号等精确匹配能力较弱

BM25 检索（Sparse Retrieval）

使用经典的 BM25 算法进行全文关键词检索，基于词频和逆文档频率计算相关性。

优势：

精确匹配关键词、专有名词、编号等
不依赖模型，速度极快

劣势：

无法理解语义，同义词和改述可能被遗漏

提示： 需要在创建知识库时开启「混合搜索」并配置搜索引擎实例，BM25 检索才会生效。未开启时仅使用向量检索。

融合策略

当两路检索返回结果后，需要将它们合并排序。Snail AI 支持两种融合策略：

RRF（Reciprocal Rank Fusion）

倒数排名融合，是目前业界使用最广泛的混合检索融合算法。

公式：

RRFscore(d) = Σ 1 / (k + rank_i(d))

其中 k 是平滑参数，rank_i(d) 是文档 d 在第 i 个检索结果中的排名。

特点：

不依赖分数的绝对值，只使用排名信息
对不同检索系统的分数分布差异天然免疫
平滑参数 k 控制高排名结果的优势程度

参数	类型	默认值	范围	说明
`rrfK`	number	60	1 ~ 200	RRF 平滑参数。值越小，排名靠前的结果优势越大；值越大，排名影响越平均。常用值 60

WEIGHTED_SUM（加权求和）

加权分数融合，直接对两路检索的相似度分数进行加权求和。

公式：

FinalScore(d) = denseWeight * vectorScore(d) + (1 - denseWeight) * bm25Score(d)

参数	类型	默认值	范围	说明
`denseWeight`	number	0.5	0 ~ 1	向量检索分数的权重。0.5 表示两路等权重；0.7 表示偏重语义检索；0.3 表示偏重关键词检索

权重调优建议：

场景	推荐权重	说明
通用文档问答	0.5 ~ 0.6	平衡语义和关键词
专业术语密集	0.3 ~ 0.4	偏重 BM25 精确匹配
自然语言问答	0.6 ~ 0.8	偏重向量语义理解

策略选择建议

维度	RRF	WEIGHTED_SUM
对分数分布的敏感性	不敏感（只用排名）	敏感（直接用分数）
调参难度	低（k=60 通常就很好）	中（需要根据场景调整权重）
适用场景	通用场景首选	需要精细控制两路权重时
推荐度	推荐	高级用户

检索参数

基础参数

参数	类型	默认值	范围	说明
`resultCount`	number	20	1 ~ 500	最终返回的检索结果数量。值越大召回越全但可能引入噪声

问题改写（questionRewrite）

参数	类型	默认值	说明
`questionRewrite`	boolean	false	是否在检索前使用 LLM 对用户问题进行改写优化

工作原理： 将用户的原始问题发送给对话模型，让模型基于上下文和语义理解，将问题改写为更适合检索的形式。

示例：

原始问题	改写后
"怎么退货"	"退货流程是什么？退货申请的步骤和条件有哪些？"
"AI 那个东西"	"AI 人工智能技术是什么？有哪些应用场景？"

重排序（Reranking）

重排序使用专门的 Reranker 模型对初始检索结果进行二次精排。Reranker 模型直接评估「问题-文档对」的相关性，比纯向量相似度更准确。

参数	类型	默认值	范围	说明
`rerankEnabled`	boolean	false	-	是否启用重排序
`rerankModelId`	number	-	-	Reranker 模型 ID，从系统已配置的 RERANKER 类型模型中选择
`enterRerankCount`	number	30	1 ~ 500	进入重排序的候选数量。初始检索结果中取 Top N 条送入 Reranker

调优建议：

enterRerankCount 应大于 resultCount，推荐 2~3 倍
Reranker 候选数越多，精排质量越好，但耗时也越长
最小值为 1，最大值为 500

阈值过滤（Threshold）

参数	类型	默认值	范围	说明
`thresholdEnabled`	boolean	false	-	是否启用相似度阈值过滤
`threshold`	number	0.5	0 ~ 1	相似度阈值，低于此分数的结果将被过滤

调优建议：

0.3 ~ 0.5：宽松过滤，保留更多结果
0.5 ~ 0.7：标准过滤
0.7 ~ 0.9：严格过滤，只保留高相关结果

注意： 阈值过高可能导致所有结果被过滤，返回空结果集。建议先在调试模式下观察分数分布后再设定阈值。

检索调试

检索调试功能用于测试和优化检索参数。在知识库详情页的「检索」标签页中，输入测试问题并点击搜索，即可查看检索结果和详细的性能指标。

调试指标

搜索请求需要设置 debug: true 来获取详细的性能指标：

POST /rag/search
Content-Type: application/json

{
  "ragId": 1,
  "query": "如何配置知识库检索参数",
  "debug": true
}

返回的 metrics 对象包含各阶段的耗时和命中数：

指标	单位	说明
`embeddingMs`	ms	Embedding 模型向量化用户问题的耗时
`vectorSearchMs`	ms	向量数据库检索耗时
`vectorHitCount`	条	向量检索命中数量
`bm25SearchMs`	ms	BM25 全文检索耗时（未开启混合搜索时为 0）
`bm25HitCount`	条	BM25 检索命中数量
`fusionMs`	ms	融合排序耗时
`finalCount`	条	融合后的结果数量
`rerankMs`	ms	Reranker 模型重排序耗时（未开启时为 0）
`totalMs`	ms	端到端总耗时

示例返回：

json

{
  "results": [
    {
      "chunkId": 42,
      "content": "检索参数配置包括结果数量、融合策略...",
      "score": 0.873,
      "documentId": 5,
      "documentName": "RAG使用指南.pdf"
    }
  ],
  "metrics": {
    "embeddingMs": 85,
    "vectorSearchMs": 12,
    "vectorHitCount": 50,
    "bm25SearchMs": 8,
    "bm25HitCount": 35,
    "fusionMs": 3,
    "finalCount": 62,
    "rerankMs": 156,
    "totalMs": 264
  }
}

调试面板指标展示

调试面板使用彩色标签展示各阶段耗时：

标签颜色	指标	说明
蓝色	Embedding	向量化耗时
绿色	Vector	向量检索耗时和命中数
黄色	BM25	全文检索耗时和命中数
灰色	Fusion	融合排序耗时和最终数量
蓝色	Rerank	重排序耗时（仅开启时显示）
红色	Total	端到端总耗时

检索结果

每条检索结果包含：

字段	说明
排名序号	按相关性排序的序号
相似度	相关性分数，以百分比显示
来源文档	该分片所属的文档名称
内容	分片的文本内容

参数配置联动

检索参数配置在「检索」和「问答」两个标签页之间是共享的。在检索标签页调整的参数会自动同步到问答标签页，反之亦然。配置修改后自动保存（1 秒防抖）。

完整参数一览

参数	默认值	作用
`resultCount`	20	返回结果数量
`questionRewrite`	false	问题改写
`rerankEnabled`	false	启用重排序
`rerankModelId`	-	Reranker 模型
`enterRerankCount`	30	进入重排数量
`thresholdEnabled`	false	启用阈值过滤
`threshold`	0.5	相似度阈值
`fusionStrategy`	`RRF`	融合策略
`denseWeight`	0.5	向量权重（WEIGHTED_SUM 时）
`rrfK`	60	RRF 平滑参数

检索配置 ​

检索架构 ​

混合检索 ​

向量检索（Dense Retrieval） ​

BM25 检索（Sparse Retrieval） ​

融合策略 ​

RRF（Reciprocal Rank Fusion） ​

WEIGHTED_SUM（加权求和） ​

策略选择建议 ​

检索参数 ​

基础参数 ​

问题改写（questionRewrite） ​

重排序（Reranking） ​

阈值过滤（Threshold） ​

检索调试 ​

调试指标 ​

调试面板指标展示 ​

检索结果 ​

参数配置联动 ​

完整参数一览 ​