本文探讨了RAG系统中文档处理与召回策略的重要性，特别是使用Milvus向量数据库处理多格式文档时遇到的相似度召回问题。分析了因文档整体向量化导致的数据干扰问题，提出了重排序(Rerank)和多路召回等解决方案，强调了前期文档处理质量对召回效果的关键影响，并指出需在大数据量情况下平衡召回速度与质量的关系。

---

“ RAG中文档拆分方式直接影响到召回效果，因此RAG中文档处理和召回策略同等重要。”

最近在做RAG召回时遇到了一个问题，我们在项目中使用的是milvus向量数据库；具体的需求是把excel表中的数据导入到milvus数据库中，然后使用search方法从向量数据库中召回数据。

由于业务需求问题，导致向量表中(collection)不仅仅只保存excel数据，同时还有word，markdown等格式的文档；因此，关于collection表中的schema无法按照excel表中的列进行设计，只能把excel表中的数据全部向量化之后，放到content字段中，最后通过content字段进行向量检索。

而这遇到的问题就是，用户在查询query中用的是excel表中一模一样的数据，只不过只是其中的关键字；但从milvus中召回的数据相似度只有百分之七十多；而我们的要求是百分之八十以上。

举个栗子，excel表中是你们公司的规定，每条数据就是一条规定；比如其中某条数据是关于迟到早退的；比如说，员工无故迟到早退发现三次以上，则扣三天工资以示惩戒。

然后在queyr中使用迟到早退进行召回，但召回迟到早退这条数据的相似度仅仅只有百分之七十多。

所以，这里就有了一个问题，是什么原因导致相似度这么低的？然后遇到这种问题应该怎么解决？

相似度计算与重排序

目前关于相似度比较低的原因，个人猜测是因为文档拆分的原因；由于这个需求文档格式比较复杂，同时使用excel和word，pdf等多种格式的数据；因此，无法按照标准的excel格式把每个字段都保存到向量数据库中，只能把表格中的数据作为一个整体进行向量化。

而这就导致一个问题，那就是导致数据干扰因素变多；比如说excel中可能存在一些和公司制度无关的数据，但也只能一起向量化；最终导致相似度变低。

而这也体现了RAG中，前期数据处理的重要性和必要性；前期文档处理的质量越高，其召回效果就越好。

因此，面对这种问题应该怎么解决呢？

首先从向量数据库milvus中召回数据的相似度只有百分之七十多，这是一个不争的事实；因此，我们使用百分之八十作为分界点就不是一个很好的选择；因此，只能降低相似度的值。

但这里又带来了一个新的问题，那就是自主降低相似度，会不会影响到最终的效果？

答案是肯定的，因此这时就需要用到重排序了；首先把milvus中召回的数据做一次相似度排序，然后拿到其中相似度最高的几个；之后再用这几个数据做Rerank重排序，这样就可以尽可能的筛选掉无关的内容。

当然，除了这种方式之外还有其它的方式；比如说由于文档的复杂性，因此可以选择把word，markdown，excel文档保存到不同的collection中；然后通过多路召回的策略，从不同的文档中同时进行召回，最后再把召回的结果做Rerank重排序。

这种方式的原理是文档前置处理时，使得不同文档之间的干扰达到最小；然后在进行多路召回时，使得局部召回策略最优，最后再在这些高相似度数据之间做筛选。

当然，关于RAG中怎么高质量召回数据，存在多种不同的解决方案；但最终无非就两种途径。

一种是在前期文档处理方面动脑筋，目的就是提升文档拆分的质量，使得对数据召回影响到最小；二种就是在召回策略上动脑筋，不论是上篇关于召回策略的文章，还是其它更加高级的召回方式；其目的只有一个，那就是更加准确地召回数据。

但召回数据的准确性，往往会影响到召回的速度；因此，在大数据量情况下，需要平衡速度和质量之间的关系。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）