96SEO 2026-08-07 12:33 54
RAG 是个好东西,但被吹过头了。很多人以为接了向量库就完事了跑起来才发现:RAG 解决的是“私有知识问答”,对“今天有什么新闻”“这周公告”这种时效性问题基本没用。
我在业务实践中慢慢意识到,单靠 RAG 不够。必须把实时搜索和私有知识库混合使用。这篇文章把我的混合架构设计完整梳理一遍,并主要嵌入了使用者常见的痛点。

RAG 的工作流很标准:query → 召回 → 重排 → 拼 context → 生成。说起来,这套流程对静态知识库很有效:
但对以下场景基本失效:
这些问题本质上是“时效性 + 息”。而你的私有知识库永远是过时的。最早做 RAG 时使用者问“X 公司最近有什么新闻”。召回出来的全是几年前的内部报告,模型还一本正经地回答:“根据内部资料,X 公司最近有…”,错得离谱,
我的设计思路是:先对 query 做分类,再决定走 RAG 方法、搜索方法或两条都走。
def route_query:
prompt = f"""判断使用者问题应该走哪个数据源。说起来,说到选项,- knowledge:内部知识、公司文档、流程规范
- search:实时信息、新闻、当前事件、息
- both:需要内部知识 + 实时信息
使用者问题这方面。{query}
只输出一个词。"""
return llm_call.strip.lower
路由模型使用便宜的()即可,准确率足够。若分类错误则 fallback 到 “both”。
当路由结果为 “both” 或 “search” 时并行执行两条召回方法:
import asyncio
async def hybrid_retrieve:
tasks =
if route in :
tasks.append))
if route in :
tasks.append))
results = await asyncio.gar
return merge_results
rag_retrieve 使用原有向量库流程;search_retrieve 调用 SERP API。两条路并行后再进行结果合并。
Pain point: 查询 不足导致召回率低。
搜索前需要对使用者原始问题进行 使其更适合检索:
async def search_retrieve:
rewrite_prompt = f"""把使用者问题
成多个适合 Google 搜索的 query。要求这方面,保留主要实体,去掉口语化表达。至于使用者问题,{user_query}
输出 JSON 数组。例如:"""
queries = json.loads)
serp_results = await asyncio.gar(
* for q in queries)
)
# 合并去重
merged =
seen = set
for res in serp_results:
for item in or {}).get or :
url = item.get or item.get
if url and url not in seen:
seen.add
merged.append
return merged
后能够明显提高召回率,因为口语化 query 往往直接搜不到满意结果。
Pain point: 模型无法区分来源导致答案可信度下降。
至于拼接策略如下,
def build_context:
parts =
if rag_results:
parts.append
for i,r in enumerate:
snippet = or "")
parts.append
if search_results:
parts.append
for i。r in enumerate:
snippet = or "")
url = r.get or r.get
title = r.get
parts.append
return "
".join
Prefix 标记让模型在生成时能够明确引用来源。
SYSTEM = """你是研究助手,根据提供的资料回答问题。再看资料分为两类,- :来自公司内部知识库,权威但可能过时
- :来自实时搜索。时效性强但权威性不一
回答时必须明确标注引用来源。内部资料和网络资料冲突时优先使用网络资料。没有任何资料支持时请明确说“没找到相关信息”。不要编造事实,"""
User Query: “X 公司最近有什么新动作?”
LLM 能信息来源,比硬塞 Prompt 更灵活可靠。
LAG 本身不会过时但需要补“一块实时搜索”。这两条路不是替代关系,而是互补关系。下面以 SerpBase 接口为例。它返回的 search.organic` 字段已经归一化,可直接作为实时召回源。
Mixed 架构运行数周后使用者对答案新鲜度的抱怨明显减少。RAG 那块依旧负责深度专业知识,而搜索方法确保模型不再“拿着旧资料说新话”。\
TOOLS =。},},},{
至于"type","function","function": {
从"name"来看,"googlesearch","description": "调用 Google 搜索获取实时信息。当涉及新闻、当前事件、息时调用。","parameters": {
从"type"来看,"object","properties": {
"query": {"type": "string"},"hl": {"type":"string","default":"zh-CN"}。"gl":{"type":"string","default":"cn"},},"required":,},},},]
\
LLM 根据 tool description 决定调哪个工具还有调几次实现真正意义上的按需检索。
\
import hashlib。json
from cachetools import TTLCache
search_cache = TTLCache # 30 min TTL
def cached_search: key = hashlib.sha256( json.dumps.encode ).hexdigest
if key in searchcache: return searchcache
result = fetchserp searchcache = result return result \
E实测表明,加缓存后 SERP API 调用量下降约 40%–60%,费用得到有效控制,也降低了因频繁请求导致的限流风险。
\
作为专业的SEO优化服务提供商,我们致力于通过科学、系统的搜索引擎优化策略,帮助企业在百度、Google等搜索引擎中获得更高的排名和流量。我们的服务涵盖网站结构优化、内容优化、技术SEO和链接建设等多个维度。
| 服务项目 | 基础套餐 | 标准套餐 | 高级定制 |
|---|---|---|---|
| 关键词优化数量 | 10-20个核心词 | 30-50个核心词+长尾词 | 80-150个全方位覆盖 |
| 内容优化 | 基础页面优化 | 全站内容优化+每月5篇原创 | 个性化内容策略+每月15篇原创 |
| 技术SEO | 基本技术检查 | 全面技术优化+移动适配 | 深度技术重构+性能优化 |
| 外链建设 | 每月5-10条 | 每月20-30条高质量外链 | 每月50+条多渠道外链 |
| 数据报告 | 月度基础报告 | 双周详细报告+分析 | 每周深度报告+策略调整 |
| 效果保障 | 3-6个月见效 | 2-4个月见效 | 1-3个月快速见效 |
我们的SEO优化服务遵循科学严谨的流程,确保每一步都基于数据分析和行业最佳实践:
全面检测网站技术问题、内容质量、竞争对手情况,制定个性化优化方案。
基于用户搜索意图和商业目标,制定全面的关键词矩阵和布局策略。
解决网站技术问题,优化网站结构,提升页面速度和移动端体验。
创作高质量原创内容,优化现有页面,建立内容更新机制。
获取高质量外部链接,建立品牌在线影响力,提升网站权威度。
持续监控排名、流量和转化数据,根据效果调整优化策略。
基于我们服务的客户数据统计,平均优化效果如下:
我们坚信,真正的SEO优化不仅仅是追求排名,而是通过提供优质内容、优化用户体验、建立网站权威,最终实现可持续的业务增长。我们的目标是与客户建立长期合作关系,共同成长。
Demand feedback