<p>在大模型（LLM）驱动的问答系统中，RAG（Retrieval-Augmented Generation）架构正迅速成为主流；然而在实际应用中，即便接入了如 GPT-4 或 Claude 等先进模型，但生成结果仍然不够理想。</p> 问题的根源往往并不在于模型本身，而在于——它没有检索到相关信息，这就引出了评估 RAG 检索质量的核心指标：召回率（Recall Rate）。
本文将深入探讨召回率的本质，以及如何通过构建一个结构化、丰富且高质量的知识库，显著提升 RAG 系统的召回效果，从而增强问答系统的准确性与实用性。 
召回率是什么？
在 RAG 检索系统中，召回率指的是在所有真正相关的文档中，有多少被成功地检索了出来。
计算方式：
召回率 = 检索到的相关内容数量 ÷ 所有相关内容的总数量
举个例子，假设你有一个技术文档知识库，里面记录着产品安装、配置、调优等各类信息。
某个用户提问：“如何在 Kubernetes 上部署？”
假设知识库中有 6 条与这个问题高度相关的内容，但系统只返回了其中 3 条。那么，召回率就是 3 ÷ 6 = 50%。
在 RAG 系统中，召回率尤为关键，因为大模型能不能“答对”，很大程度取决于有没有拿到相关内容；召回率越高，LLM 在生成答案时能参考的有效信息就越多，回答的质量和准确性也就越有保障。
召回不准的原因
很多人将注意力放在向量数据库、查询优化、模型推理上，却忽视了最根本的基础设施 —— 知识库构建。
召回失败，往往源于三个层面：
- 数据覆盖不足：知识来源单一，未能全面汇聚 FAQ、产品文档、技术手册、历史工单等高价值内容。
- 语义表达偏差：不合理的 分块策略（如按固定字数切割）会割裂上下文；Embedding 模型 选择不当则会无法精准捕捉文本的深层语义，导致向量表达失真。
- 结构策略粗糙：没有上下文信息、缺少结构化字段或文档元数据。
如何构建高召回率的知识库
提高数据覆盖率
任何检索的前提是知识库中有相关信息。因此在构建 RAG 专属知识库时，需要聚焦以下能力：
- 汇聚多渠道内容：FAQ、文档、部署手册、工单记录等
- 支持多种接入方式：数据库、OSS/S3、Google Docs、语雀、本地文件等
提高语义嵌入质量
选择合适的 Embedding 模型，决定了 用户问题 能否成功匹配到 知识块。
目前业界有许多优秀的 Embedding 模型，以下是一个简单对比：
| 模型名称 | 适用语言 | 优势 | 局限 | 部署方式 |
|---|---|---|---|---|
| text-embedding-3（OpenAI） | 英文 / 多语言 | 精度高，覆盖全面，是当前最强通用模型之一 | 需联网，调用成本高 | API |
| text-embedding-v3（Alibaba） | 中文为主 | 中文语义理解深，适合企业知识库 | 模型大，本地部署门槛略高 | Ollama / API |
| Qwen-Embedding-7B | 中文为主 | 中文结构化问答效果好，向量表达自然 | 显存占用高，不适合轻量场景 | 本地部署 |
| BGE-M3 | 中文 | 轻量、开源，适合本地快速部署和测试 | 英文能力较弱 | 本地部署 |
分块策略合理
分块（Chunking） 是指将长文档切割成适合 RAG 检索的、更小的文本单元：
- 若分块太小：上下文缺失，回答不准确。
- 若分块太大：Embedding 过于抽象，无法命中具体问题。
在具体实践中，应考虑：
- 按语义、标题、段落切块，避免语义断层。
- 支持 Chunk Overlap，每块有一定重叠，如每 300 个 Token 滑动切，同时根据语义分段，召回命中率更高。
结构化向量库
传统向量检索仅依赖 Embedding 相似度，虽具备语义匹配能力，但仍存在明显短板：向量相似但语义不相关的内容易被误召回。
结构化向量库在此基础上引入了丰富的元信息结构字段，进一步提升了召回的准确性。
- 使用大模型提取 FAQ、摘要、标签、时间字段等，可有效补充语义缺失的上下文信息。
- 将 Markdown、客服记录等非结构化内容转为统一格式，显著提升整体检索命中率。
- 利用结构化 Schema 支撑后续精准检索、过滤、排序。
构建高质量知识库
在实际落地过程中，CloudCanal 提供了一套面向企业的自动化知识库构建能力，支持：
- 多源文档采集（OSS、S3、SSH、Google Docs、语雀）
- LLM 提取结构化字段，支持自定义 Prompt
- 段落分块 + 重叠控制 + 元信息附带
- 向量化写入 StarRocks 等向量库，支持 Qwen 等主流模型接入
下面将使用 StarRocks 作为目标向量库，展示如何在 CloudCanal 中快速构建高质量的知识库。
添加数据源
登录 CloudCanal 控制台，点击 「数据源管理」>「新增数据源」，添加以下数据源：
文件数据源（SshFile）
用于读取本地或远程服务器中的 Markdown 文档。添加步骤如下：
- 类型选择：自建 > SshFile（同理可配置 S3、OSS 等）
- 基础配置：填写服务器 IP、端口、用户名和密码。
- 网络地址：localhost:22
- 用户名：root
- 密码：***
- 额外参数：
- fileSuffixArray：填写
.md，仅处理 Markdown 文件。 - enableLLMExtraction：
true，启用 LLM 提取 额外信息 的功能。 - defaultLineSchemaJson：定义需要 LLM 提取的 结构化字段（第一行 line 表示原文）。
- fileSuffixArray：填写
