RAG 准确率从 40% 到 90%：先测数据，问题根本不在模型
max_gladysh · reddit · 2026-09-22
BotsCrew 团队在为一家五代家纺企业（10,000+ 产品、1,000+ 内部文档、实时库存）建 RAG 系统前，先用员工真实问题做试点，发现正确率仅 40%——但没有一条是模型的问题：
- 文档互相冲突且无法判断哪个是最新版
- 不可读的扫描件与优质内容混在同一索引里
- 检索返回「看似相关」而非「权威」的文档
- 关键业务规则只存在于员工脑中
修复思路：
- 放弃单一检索通吃，改做路由：产品问题走精确匹配的商品目录搜索，库存问题走实时库存 API，政策与通识走清洗后的 RAG 层——很多「RAG 准确率问题」其实是路由问题换了件衣服。
- 映射内部缩写与地区代码（模型从没见过），成为单项提升最大的一步。
- 用固定测试集让每次迭代可度量：从不到 60% 提升到约 90%。
后续分析侧还有新坑：数仓会回填数据，同一问题隔一周答案不同——得先就「什么算正确」达成一致才能度量。作者结论：AI 转型的核心不是选模型，而是数据是否在你以为的地方、流程是否脱离人脑存在、文档冲突时谁说了算；试点是最便宜的成熟度评估。
「编程与Agent」频道最新
- OpenHands 智能体进入自家云端：自动写码、自审 PR、循环修复 — rajistics · 2026-09-22
- Pexo 视频编辑细节:标记一帧,周边帧上下文也会被理解 — AIwithGhotai · 2026-09-22
- Engram:本地加密记忆库统一各 AI 工具的 agent 记忆 — Acceptable_Leg3950 · 2026-09-22
- 邮件 Agent 产品 Sol 发布：自动找出你承诺过的待办并替你开工 — alexmacgregor__ · 2026-09-22
- Yacine:Linux dotfiles 未来只需一段话,应用让 AI 现场生成 — yacineMTB · 2026-09-22
- 开发者自制 Token Saver:Claude 技能把 Codex 请求转给便宜的 Muse 1.3 — AIandDesign · 2026-09-22