🔎 RAG 深入与知识工程
Embedding 选型与评测
RAG 深入与知识工程专题：用 2 个核心问题讲清原理、取舍与落地。
一句话定位
切分、索引、混合召回、重排、高级 RAG 与端到端评测。 按“数据 → 索引 → 查询 → 召回 → 重排 → 生成 → 评测”定位问题，不把 RAG 当成单一向量搜索。
核心原理与问题解析
Embedding 模型如何选？
按语言、领域、维度、长度、速度、许可和目标检索任务评测。公开榜单仅作候选，最终使用自己的 Query-Document 标注集和端到端指标。
继续想： 维度越高越好吗？；是否需要领域微调？
为什么入库和查询必须使用兼容 Embedding？
不同模型产生的向量空间坐标与尺度无可比性，混用时相似度失去意义。更换模型需要重建索引或维护独立版本，并确保查询路由正确。
继续想： 同模型不同版本怎么办？；迁移期间如何双读？
工程落地检查
- 文档保留来源、版本、时间和 ACL
- 检索层与生成层分开评测
- 从关键词+向量的简单基线开始
- 答案必须能定位到证据片段
- 索引迁移支持双写、双读和回滚
常见误区
- 盲目追求更大的 Chunk 或 Top-K
- 更换 Embedding 却不重建索引
- 只看回答流畅度，不测召回和忠实度
对应面试题
R09 Embedding 模型如何选？ · R10 为什么入库和查询必须使用兼容 Embedding？