RAG 调优是经验活，不同业务表现差异大，本文给排查顺序，具体参数按你的数据调。
按教程把 RAG 搭起来了——文档切块、向量化、检索、喂给大模型，一测发现回答完全不对，答非所问。很多人第一反应是"模型不行"就去换更大的模型，其实问题八成出在前面三个环节。按顺序查。
原因 1：检索就没检对（chunk 切分问题）
先看最源头：把检索到的片段直接打印出来，跟用户问题对一下。如果检索回来的内容根本不相关，那后面模型再强也没用——垃圾进、垃圾出。
常见坑：
- chunk 切太大：一个块里塞了太多内容，检索匹配时语义被稀释；
- 切太小：一句话就一块，上下文不完整；
- embedding 模型不对：用了个和你业务领域不匹配的向量模型，检索天然不准。
解决：先把 chunk size 调到一个常见的中间值试，加上适当重叠；换一个更适合你业务语言的 embedding 模型。
原因 2：检索到了，但模型根本没用到（prompt 模板问题）
第二种很隐蔽：你打印检索结果，发现相关内容明明检回来了，但模型回答就是不引用它。
常见坑：
- prompt 模板里没把检索到的上下文正确塞进去；
- 上下文太长，超出模型窗口被截断了，关键部分没送到；
- 模板里没明确告诉模型"只根据提供的资料回答"，模型开始自由发挥。
解决：检查 prompt 结构，确保上下文真的传进去了、没被截断；明确写"仅依据以下资料回答，资料里没有就说不知道"。
原因 3：检索和 prompt 都对，模型能力不够
第三种：前面两步都查过了，检索相关、prompt 也对，但生成出来还是绕、还是错。这时候才轮到模型本身。
常见情况：用了个 7B 小模型做复杂 RAG，它理解长上下文、按资料组织答案的能力就是不够。
解决：换更大一档的模型，或者在 prompt 里加几个 few-shot 示例，教它怎么依据资料回答。
你的 RAG 是哪种？
| 现象 | 大概率原因 | 先做什么 |
|---|---|---|
| 检索结果就不相关 | chunk / embedding 问题 | 调 chunk、换向量模型 |
| 检到了但模型没用 | prompt 模板问题 | 检查上下文是否真传进去 |
| 都对但生成还是错 | 模型能力不够 | 换大模型 / 加 few-shot |
记住顺序：先查检索，再查 prompt，最后才怪模型。大部分答非所问在前两步就解决了。
你的 RAG 现在回答准确率怎么样？用的什么模型和 embedding？评论区说一下，我帮你看卡在哪一步。
