排查决策（按优先级）
排查决策（按优先级）
1. 检索不到 → 修召回（切分/混合检索/改写）
2. 检索到但答错 → 强化约束提示词 + 引用校验
3. 约束后仍编造 → 换生成模型或加二次核对
4. 数字/条件错误 → 检查片段是否被截断先量化再动手：分别跑 context_recall 与 faithfulness，确认问题层再改，避免盲调提示词。
本包目录（229 条）
架构与流程30 条解析与切分33 条Embedding 与检索50 条向量数据库49 条重排与生成32 条
评估与优化35 条
- RAGAS 评估框架入门
- 忠实度（Faithfulness）指标
- 上下文精度与召回指标
- 幻觉问题的定位与修复顺序
- 答案相关性（Answer Relevancy）
- RAG 三要素（RAG Triad）
- 切片断裂问题的处理
- RAG 回归测试与上线门禁
- 检索评估流水线搭建
- 专名与缩写检索优化
- 全链路日志与可观测性
- TruLens 反馈函数与追踪
- 重复内容的识别与治理
- Embedding 与切分参数协同调优
- 召回差 vs 重排差的区分
- RAG 延迟优化清单
- DeepEval 与 CI 中的评测
- 合成评测问题生成
- 表格信息丢失的修复
- 阈值校准实践
- 知识库新鲜度与增量更新
- 生成与检索成本优化
- RAG 上线评估检查清单
- 数字与型号准确性保障
- 查询漂移与意图偏离
- 查询理解与意图识别优化
- 上下文窗口限制的应对
- 格式一致性问题的修复
- 用户反馈闭环
- 知识库数据治理要点
- 跨语言检索优化
- 新知识库冷启动方法
- 业务侧效果度量
- 图片与图表信息的处理
- 检索命中日志的统计复用
幻觉问题的定位与修复顺序
按顺序排查幻觉：① 上下文里是否有答案（context_recall）→ ② 答案是否被上下文支撑（faithfulness）→ ③ 提示词是否给了“可自由发挥”的口子 → ④ 模型是否能力不足；从检索修到提示词，再考虑换模型。
易错点
- 直接归因模型能力问题，忽略检索根本没召回
- 只加“禁止幻觉”的句子，不加引用校验与评测
数据来源与参考
- RAGAS 官方文档（faithfulness / context_recall）
- Ji et al., Survey of Hallucination in NLG (ACM CSUR 2023)