企业官网建设流程全解析

上集回顾：老张给AI装上了"第二大脑"（向量库），但用户反馈检索效果不稳定。今天我们来聊聊如何调优RAG的3个关键参数。

一、故事继续：调优之路

周四上午，老张收到了一份详细的反馈报告：

检索质量统计（过去一周）： - 一部分查询能精准命中 - 另一部分要么没找到文档，要么找到了但不相关 - 还有少量查询超时 失败原因大致三类： 1. 未找到相关文档（阈值/分块问题） 2. 找到但答案不相关（topK/重排问题） 3. 检索超时（性能问题）

老张的诊断：“问题出在三个方面：阈值太高导致漏召回、分块不当影响检索精度、topK设置不合理。”

二、参数一：topK——返回多少结果？

2.1 topK是什么？

SearchRequestrequest=SearchRequest.builder().query(userQuestion).topK(5)// ← 返回最相关的5个文本块.build();

老张的类比：“topK就像考试时允许你翻几页书——翻太少可能找不到答案，翻太多容易看花眼。”

2.2 topK的影响

2.3 实战：动态topK

publicList<Document>smartSearch(Stringquery,intbaseTopK){// 根据问题复杂度动态调整inttopK=query.contains("？")||query.length()>20?baseTopK*2// 复杂问题，多检索:baseTopK;// 简单问题，少检索SearchRequestrequest=SearchRequest.builder().query(query).topK(topK).build();returnvectorStore.similaritySearch(request);}

三、参数二：相似度阈值——多相似才算相关？

3.1 阈值是什么？

SearchRequestrequest=SearchRequest.builder().query(userQuestion).similarityThreshold(0.7)// ← 只有相似度≥0.7的才返回.build();

老张的理解：“阈值就像招聘的分数线——太高了招不到人，太低了鱼龙混杂。”

3.2 阈值的影响

3.3 调参技巧

/** * 智能阈值调整 */publicList<Document>adaptiveSearch(Stringquery){// 尝试不同的阈值，选择最佳效果List<Document>results=vectorStore.similaritySearch(SearchRequest.builder().query(query).topK(10).similarityThreshold(0.6)// 先放宽.build());// 如果结果太少，再放宽if(results.size()<3){results=vectorStore.similaritySearch(SearchRequest.builder().query(query).topK(15).similarityThreshold(0.5).build());}returnresults;}

四、参数三：文本分块策略——怎么切？

4.1 分块策略对比

4.2 推荐策略：重叠窗口

// Spring AI 1.0：TokenTextSplitter 构造参数为// (chunkSize, minChunkSizeChars, maxChunkSizeChars, overlap, maxNumChunks)TextSplittersplitter=newTokenTextSplitter(500,// 每个 chunk 最大 500 个 token100,// 最小 chunk 字符数800,// 最大 chunk 字符数50,// 重叠 50 个 token（保持上下文连贯）10000// 最大 chunk 数量上限);

老张的发现：“重叠50个token是关键——这样相邻的chunk能保持上下文连贯，检索时不会断章取义。”

4.3 元数据增强

// 给每个chunk添加元数据Documentdoc=newDocument("我们的ERP系统支持采购管理...",Map.of("source","产品手册v2.0.pdf","page","15","section","采购管理模块","documentType","product-manual"));// 检索时可以按元数据过滤SearchRequestrequest=SearchRequest.builder().query("采购流程").filterExpression("metadata.documentType == 'product-manual'").topK(5).build();

五、综合调优：老张的方案

5.1 三级检索策略

@ServicepublicclassOptimizedKnowledgeService{@AutowiredprivateVectorStorevectorStore;/** * 三级检索策略 */publicStringsmartRagQuery(Stringquestion){// 第一级：宽松检索，确保召回List<Document>candidates=vectorStore.similaritySearch(SearchRequest.builder().query(question).topK(10).similarityThreshold(0.5).build());if(candidates.isEmpty()){return"抱歉，我在知识库中没找到相关信息，请尝试换个问法或联系人工客服。";}// 第二级：按阈值排序，取高质量结果List<Document>highQuality=candidates.stream().filter(doc->doc.getMetadata().getScore()>=0.7).limit(5).collect(Collectors.toList());// 第三级：如果高质量结果不足，用全部结果List<Document>finalDocs=highQuality.size()>=3?highQuality:candidates.subList(0,Math.min(5,candidates.size()));// 构建增强PromptStringcontext=formatContext(finalDocs);Stringprompt=buildPrompt(question,context);// 调用AI生成答案returnchatClient.prompt().user(prompt).call().content();}}

5.2 调优思路演示

注：以上为教学演示的调优思路，具体最优值因数据分布与 Embedding 模型而异，请在自己的知识库上实测对比。

六、长期优化建议

6.1 A/B测试

// 持续监控和调优@Scheduled(fixedRate=86400000)// 每天publicvoidanalyzeSearchQuality(){List<SearchLog>logs=searchLogRepository.findLastWeek();// 分析低质量查询List<String>badQueries=logs.stream().filter(log->log.getScore()<0.6).map(SearchLog::getQuery).distinct().limit(50).collect(Collectors.toList());// 针对性优化for(Stringquery:badQueries){optimizeForQuery(query);}}

6.2 知识库更新

// 定期重新索引@Scheduled(cron="0 0 3 * * ?")// 每天凌晨3点publicvoiddailyIndex(){vectorStore.deleteAll();List<Document>allDocs=documentRepository.findAllActive();TextSplittersplitter=createOptimizedSplitter();List<Document>chunks=splitter.apply(allDocs);vectorStore.add(chunks);log.info("知识库重建完成，共 {} 个文本块",chunks.size());}

七、下一集预告

老张的RAG系统终于稳定了，但张姐又提了新需求：

“能不能让用户直接上传PDF，自动就能问答，不用我们手动配置？”

第7集《给AI装上工具箱：@Tool注解实战》将讲述如何让AI具备调用工具的能力，实现从"问答"到"干活"的跨越。

📦 完整代码

GitHub分支：https://github.com/yinclei/SpringAITutorial/chapter06-rag-tuning

💬 互动环节

老兵问答：

你在RAG项目中遇到的最大挑战是什么？
A. 检索召回率低
B. 答案质量不稳定
C. 系统性能瓶颈
D. 部署运维复杂

下周一晚9点，我们继续！

作者：Java老兵搞AI | 关注我，看Java如何玩转AI