“ RAG的优化方向只有两个，召回率和准确率也就是精度。”
在前面的文档中简单介绍过RAG的几种优化方式，因为从本质上来说RAG的目的只有一个，那就是快速并且准确的召回数据。
但在实际的RAG系统中，我们往往会面临着一个问题，那就是召回率和准确率的问题；如果RAG系统的召回率太低，那么RAG就没有了存在的意义。
以作者目前遇到的实际问题为例，就是数据召回率不足，更不用说召回的准确率了，也就是精度。
虽然说影响RAG效果的因素有很多，但单纯的从RAG的角度来说，主要就两个方面：
1. 召回率
2. 召回准确率
任何与RAG有关的优化方案，基本上可以说都是从这两个角度出发；所以，今天我们就主要来讨论一下这两个问题。
RAG召回率和准确率问题
很多人在做RAG的时候都没有搞明白一个问题，那就是召回率和准确率，以及其之间的关系。
我们知道在大模型的应用中，召回文档的质量直接影响到模型的输出结果；因此，召回文档的重要性就不言而喻了。
甚至很多人都不知道怎么去评判一个RAG系统的好坏，以及具体是哪些因素影响了RAG的表现？
作者刚开始在做RAG系统的时候感觉RAG好简单，流程明确，也不复杂；无非就是切分一下文档，然后通过嵌入模型和相似度检索对文档进行召回即可。
但在实际的操作过程中却发现，虽然RAG系统实现起来很简单，但要真的想把RAG给做好，却不是一件容易的事情。
作者目前遇到的一个问题就是，RAG系统整体是跑起来了，但其召回率特别低，还不到百分之五十；其中一部分是文档处理的质量不太好，其次就是召回策略的问题。
但不管是什么问题，总之就涉及到两个概念；召回率和准确率。
召回率解决的是召回相关文档的数量，准确率解决的是召回相关文档的准确性，也是有效性。
但很多时候召回率和准确率是一个矛盾体，想提升精度，就必须限制其检索范围，但限制检索范围就肯定会影响到召回率；反之亦然。
当然，面对这种问题业界的普遍做法还是分为两步，第一步是先解决召回率问题，第二步再通过精排或其它方式解决准确性问题。
以相似度检索和重排序为例：
1. **召回率（Recall）**： - 定义：在所有相关文档中，系统成功检索出的比例。 - 公式：Recall = (检索出的相关文档数) / (总相关文档数) - 目标：尽量不遗漏任何相关文档（即减少漏检）。
2. **准确度（Precision）**： - 这里我们特指召回的准确度，即检索结果中相关文档的比例。通常我们关注Top K的准确度（Precision@K）。 - 公式：Precision@K = (前K个结果中相关文档数) / K - 目标：确保返回的文档尽可能都是相关的（即减少噪声）。
**区别与联系**
区别：
- 召回率关注的是系统找到所有相关文档的能力，强调“全”。
- 准确度关注的是系统返回的文档中有多少是相关的，强调“准”。
联系：
- 两者通常是一对矛盾（召回率高时，准确度往往低；反之亦然）。
因为为了追求高召回率，我们可能会放宽检索条件，导致返回更多不相关文档（准确度下降）。而为了追求高准确度，我们可能会设置严格的检索条件，导致漏掉一些相关文档（召回率下降）。
