RAG Formation · 参考资料

查询处理与重排序

在本网站学习和测试 RAG 质量的独立速查表。

$ reference --status
▸ 课程 RAG Formation
▸ 模式 独立参考资料
▸ 状态 已完成
● 学习 → 测试 → 验证

参考资料

RAG Formation 的课程内容已完成；这份资料可用于自主学习和练习。

一句话规则

扩大 top-k 可能通过加入噪声掩盖检索失败，但不能诊断问题。

术语	含义
查询规范化（Query normalization）	将用户问题转换为有用的搜索形式：原始问题、提取出的文档编号、规范化的缩略词或翻译后的术语。这是本课中唯一能真正实际测试的技巧。
重排序（Reranking）	这套代码里确实存在一个真正的重排序服务（`aperag/llm/rerank/rerank_service.py`），带有一条有文档记录的兜底策略——图谱结果优先——但 `/api/v1/search`/`/api/v1/qa` 真正走的检索路径从来没有调用过它。今天的检索只是一轮粗略的候选结果，没有重排序这一步。
去重（Deduplication）	也比名字暗示的更有限：今天的去重只作用于引用列表，按文件名匹配。真正放进 LLM 提示词里的片段文本从未被去重。

事项	记录	不要声称
基线	命令、配置和观测结果	基线就是目标。
改动	一个假设或决策	多个因素同时变化时，仍能确定是什么导致了结果。
指标	记录预期来源、基线命中状态、一个改动后的查询形式，以及改动后的同一指标。	一个指标就能说明质量的全部。
安全	一个失败案例和一个回归案例	流畅的回答就能证明系统可靠。

cd demo
python3 eval.py run --mode retrieval --workspace meridian_demo --category reference_lookup --tag lesson-08-baseline

产物： 一张可证伪的检索实验卡，包含假设、指标、基线、回归检查和终止条件。

继续学习： 打开对应的独立课程 · 课程路线图