前段时间有个粉丝去面阿里二面聊到他之前做的RAG知识库项目。面试官问了一个很直接的问题“考你一个场景题我们线上知识库的准确率大概70%左右你觉得为什么到不了95%”他想了想说可能是模型能力不够prompt写得不好。面试官没有直接否定只是笑了笑说“那你从工程的角度再想想假如你来优化下整个链路上有哪些环节可能导致这个问题”他愣了一下开始从三个维度展开——技术方案选型、存储引擎选型、还有效果评估体系。讲完之后面试官微微点头说思路是对的。这三个维度其实也是大多数知识库准确率上不去的核心原因。今天把这几个维度展开下1. 问题你的知识库准确率为什么低于95%很多人搭完知识库之后呢会发现线上的表现其实挺一般的。问对了还好问偏了就开始答非所问了。如果你现在的准确率卡在60%到70%这个区间说实话并不奇怪。这基本上就是没有经过系统调优的知识库的一个普遍起点嘛。但这个水平离生产级别的要求还差得远呢大多数业务场景对准确率的底线是95%。这中间的差距其实是可以被系统性地去填补的。面试官问你为什么到不了95%其实考察的不是你会不会调模型而是你有没有系统性地去排查过整条链路。2. 三个核心原因先来说第一层问题吧就是技术方案的选型。基于大模型去构建知识库主流的路径无非就三条微调也就是 Fine-tuningRAG又或者是 Agent 加上 RAG 的一个组合方案。但是选哪条路呢这得取决于你的具体场景才行而不是说哪条路更先进就选哪。微调适合那种知识相对固定、格式高度一致的场景。RAG 更擅长去应对动态更新的外部知识。Agent 加 RAG 呢则适合需要多步推理或者跨库查询的复杂任务。如果场景判断错了后面再怎么精细的工程优化也不过就是在错误的方向上跑得更快了而已。值得注意的是什么呢有一些团队在知识更新频繁的场景下选择了微调方案结果每隔几周就要去重新训练一次模型成本居高不下。这个弯路嘛其实完全可以在选型阶段就给避免掉的。知识库的数据最终是要落到某个存储引擎里面的而不同引擎之间的检索逻辑差异其实是相当大的。向量数据库比如说 Milvus、Weaviate、Qdrant 这些它们擅长做语义相似度的匹配。全文检索引擎呢比如 Elasticsearch对关键词的精确命中更有优势。关系型数据库适合做结构化数据的精准查询。图数据库则是在处理实体关系密集的知识时更有表现力。这四类引擎并不互斥的。一个比较成熟的知识库系统往往同时使用其中的好几种通过多路召回来做合并排序。关键在于什么呢你得先想清楚自己的数据是什么形态、用户问的是哪类问题才能做出合理的组合决策。这一步如果选错了后面的优化都是在打补丁而已。第三层问题也是最隐蔽的一层就是缺少系统性的效果评估。很多团队的做法是什么呢搭完系统随手去测几个问题感觉还行吧就直接上线了。这种方式的危险在哪里呢就是你根本不知道问题出在哪个环节。文档解析有没有丢失关键信息切块策略会不会把语义给截断了重排序模型是否适配当前的领域每一个环节都可能是拖低准确率的一个黑洞却在没有指标的情况下完全不可见。这也是面试官最想听到的——你能不能把感觉不对变成哪里不对。没有评估指标你连问题出在哪都不知道谈何优化。3. 知识库的经典流程整个流程嘛可以分成两段来理解一段叫知识入库也就是数据工程部分另一段叫知识检索。入库的链路是这样的先把原始数据拿过来然后解析成结构化文件接着做文本切割再做向量化最后写入到存储引擎里面去。检索的链路呢是这样的用户先提问然后去执行检索策略接着做重排序再做知识合并然后拼接进提示词模板里面最后提示词增强之后送入模型。这条链路其实并不短。链路越长呢意味着累计误差的概率就越高。任何一个环节的稍微有点失准都会在最终答案上被放大。这也解释了为什么知识库的准确率提升往往是一个逐环节排查、逐步收紧的过程而不是某个单点的魔法优化就能搞定的。4. 效果评估的意义效果评估体系存在的核心价值是什么呢就是把感觉不对变成哪里不对。没有评估指标的时候你只能凭直觉去猜问题所在优化方向全靠运气。但是有了分环节的指标之后呢你就能看到了检索召回率是多少排序之后的相关性有没有提升最终拼入提示词的知识片段是不是真的覆盖了用户的问题每一层的数字嘛都对应着一个可以被干预的优化动作。从70%到80%再从90%到95%每一段提升的背后都是一次精准的诊断加上一次针对性的修复而不是凭感觉去全面重做。5. 效果评估方案怎么落地目前来说呢有两条可行的路径。第一条是使用开源框架比如 RAGAS 或者 TruLens。这两个项目都提供了若干现成的评估指标适合用来快速验证思路、建立基线。RAGAS 的核心指标包括什么呢有答案忠实度就是 Faithfulness有答案相关性就是 Answer Relevancy还有上下文召回率等等覆盖了 RAG 链路中几个比较关键的节点。对于刚起步的团队来说用它去跑一遍基准测试能帮你快速定位出明显的短板在哪里。但是呢开源框架的局限也很明显指标相对通用嘛难以贴合特定业务的评判标准。在复杂多跳问题或者专业领域知识上评估结果的可信度也会打折扣。第二条是自研评估框架。这条路初期投入会稍微高一点但长期来看其实是更值得的。自研框架可以完全按照你的业务逻辑去设计评估维度把领域内准确率“拒答率”模糊问题处理这些贴近实际的指标给纳入进来而不是被开源框架预设的指标牵着走。在实际的项目里面呢这两条路并不是非此即彼的选择。常见的做法是什么呢就是前期先用 RAGAS 建立基线、快速摸底到了中后期再基于业务反馈逐步迭代出自研的评估体系。最后说一句我个人的判断哈。准确率低于95%的知识库问题往往不在模型的能力上而在于工程闭环是不是完整的。选型、存储、评估这三个环节缺一不可。只要把这套体系给补齐了95%的目标其实并不难达到的。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。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技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】