RAG 分块与混合检索怎么选？先看漏掉了什么证据
分块不是越小越精确
分块决定检索和生成看到的基本材料。小块容易匹配局部问题，却可能丢掉条件、主语和上下文；大块保留背景，但会带入噪声，占用更多输入预算。没有适用于所有知识库的最佳长度，应该根据文档结构和问题类型调整。
优先按标题、段落或业务条目切分，避免把一段操作步骤从中间拆开。表格、代码与列表需要特别处理，因为单独抽出某一行可能失去列名或前置条件。
重叠与元数据各解决什么
相邻块适度重叠可以缓解边界信息丢失，但也会制造重复召回。重叠过大时，看似取回多个片段，实际只覆盖同一段内容。重排或组装阶段可以按来源与内容去重，并保留足够的独立证据。
片段附带标题路径、文档版本和业务标签，既帮助检索过滤，也便于展示引用。对同名制度的新旧版本，仅靠语义相似度可能召回过时内容，需要明确的版本策略。
为什么考虑混合检索
向量检索擅长在措辞不同的情况下寻找语义相关片段，但对产品编号、报错码和罕见缩写未必稳定。关键词检索能够直接利用这些精确词项，却可能漏掉同义表达。混合检索把两路结果结合，有机会覆盖更多问题。
融合前要注意两路分数不一定处于相同尺度，不能随意相加。可以使用排名融合方法，或在验证后进行归一化加权。重排进一步判断候选与问题的相关性，但会增加延迟与费用。
用错误样本决定改哪里
问题问“错误码 E104 如何处理”，却只召回一般故障介绍，可能需要精确词项检索。问题问“出差打车能不能报”，文档写“市内交通费”，则可能需要语义匹配。证据的一半落在相邻块里，先修分块；旧版本排在前面，先修版本过滤。
不要每次答错都增加候选数量。候选过多可能把错误资料带入上下文，也会让评测和成本变差。每次只调整有证据支持的部分，再比较同一批样本。
最小验证方法
准备包含精确编号、同义问法、跨段条件和无答案问题的小样本，标注相关片段。先比较单路检索，再比较融合与可选重排，观察 Recall@k、最终答案支持度、延迟和输入长度。
本文没有运行这组实验，也不提供虚构的提升比例。面试时可以解释一次具体漏召回及修复依据，说明为何选择分块规则与检索组合；这比背诵固定块大小更能体现工程判断。