graph TD
    U --> A
    A --> B
    B --> C{结果足够吗？}
    C -- 否 --> D
    D --> B
    C -- 是 --> E

"动态查询": 当第一次检索不到满意材料时Agent 会自动重写 query 或拆解成多个子问再查询。

B. 多路召回策略 

"原始 Query + 
 Query": 两条不同表述同时召回，提高覆盖面。
"Keyword + Semantic 双路": 一条走 BM25，一条走向量搜索，再通过 RRF  融合得分。公式简化为 
\
"Parent‑Child 检索": 小 chunk 用于精确匹配，大 chunk 用于提供完整上下文。返回时直接给出父块内容，让 LLM 获得geng连贯的信息流。

四、实战示例：用 LangChain 快速搭建一个小型 RAG 系统 

// 引入必要库
import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory";
import { OllamaEmbeddings } from "ollama-embeddings";
import fs from "fs";
import path from "path";
// Embedding 模型配置
const embeddings = new OllamaEmbeddings({
  model: "bge-m3",
  baseUrl: "http://localhost:11434"
});
class VectorEngine {
  // 加载所有 txt/md 文档
  async loadDocs {
    const exts = ;
    const files = fs.readdirSync;
    return files.filter))
                .map(f => ({
                  content: fs.readFileSync, "utf-8"),
                  source: f
                }));
  }
  // 简单按段落切片 + overlap
  split {
    const paras = text.split;
    const chunks = ;
    let cur = "";
    for  {
      if .length> size && cur) {
        chunks.push);
        cur = cur.slice; // 保留 overlap
      }
      cur +=  + p;
      if  {
        chunks.push);
        cur = "";
      }
    }
    if  chunks.push);
    return chunks;
  }
  async init {
     const docs = await this.loadDocs;
     const allChunks = ;
     for  {
       const chs = this.split;
       chs.forEach=> allChunks.push);
     }
     const store = await MemoryVectorStore.fromDocuments;
     fs.writeFileSync);
     console.log;
   }
}
// 使用示例
// const engine = new VectorEngine;
// engine.init;

五、小结 & 常见 Q&A 

# 为什么不用直接让 LLM 回答？**  
   大模型训练截止时间有限，对Zui新事件缺乏感知；而外部知识库Ke以随时geng新，实现“开卷”考试效果。  ⟶ RAG 把两者优势融合，让回答geng可信、geng及时。
# 向量维度到底该选多少？**  
   中文语料常用 384~768 维；维度越高表达越细腻，但存储成本随之上升。实际项目中建议先跑基准测试，再决定是否升级。
# 检索不到满意答案怎么办？**  
   - 降低 top‑K 再Zuo Cross‑Encoder 重排  
   - 用 Agentic 思路重新构造 query  
   - 若仍无匹配，则返回“暂无相关信息”，避免硬编。
# 如何评估 RAG 系统质量？**  
   常见指标包括 Recall@k、MRR、以及人工标注的 “事实一致率”。结合自动化相似度检测Ke以快速定位幻觉。


本文约 字符，符合 SEO 长篇要求。如需进一步定制向量数据库选型或 Agentic 工作流，请留言，我会持续geng新geng深层次内容！🚀💡

©2026 AI 文案
专家 出品 | 保留所有权利