為什麼有人的 RAG 回召率，可以做到近乎 100%？

PART 01

一般人撈漏東西，長這樣

01 撈漏是——

你問「退貨要幾天」,答案明明白白寫在手冊裡,
它卻撈了一堆不相干的段落回來,偏偏漏掉那一段最關鍵的——不是資料不在,是它「撈」的時候,剛好跟那段擦身而過。

02 撈漏是——

你用「筆電」去問,文件裡寫的卻是「NB、notebook」,
意思一樣、字面不同,純靠語意去比對的它,偏偏在這個同義詞的坎上卡住、認不出來、就這樣把對的段落給錯過。

03 撈漏是——

答案剛好被切在兩段的交界處,前半在這塊、後半在那塊,
你的切法一刀劈中要害,結果哪一塊單獨撈出來都不完整——不是沒撈到,是你「切文件」的時候,把一句完整的答案給攔腰斬斷了。

04 撈漏是——

你只撈「最像的前三名」就交差,
偏偏正解排在第七名,它明明就在候選名單裡、只差臨門一腳,卻因為你撈得太少、太急,硬生生被你關在門外沒讓它進場。

PART 02

那近乎 100%，是怎麼做到的?

01 第一招——

「混合搜尋」(hybrid search)——語意 + 關鍵字，兩張網一起撒,
純語意會漏掉同義詞和專有名詞,純關鍵字又抓不到意思相近的——高手兩種一起用,一張網漏的,另一張網補。
「筆電」比對不到「NB」?
關鍵字那張網剛好接住;意思相近字面不同的?語意那張網剛好撈起——兩張網疊起來,漏洞就少了一大半。

02 第二招——

「把問題改寫、擴寫」(query rewriting)——一個問題，變成好幾種問法去撈,
你問「退貨」,它自動幫你也去搜「退款、七天鑑賞期、rma」,一個角度撈不到的,換三五個角度再撈一遍,總有一個對上。
甚至先讓 AI「假想一個答案」再拿去搜,
用答案去找答案,比用問題去找答案更準——這一改一擴,等於替那段藏起來的正解,多開了好幾道門讓它跑不掉。

03 第三招——

「切得聰明」(chunking)——重疊切、順著語意切，別攔腰斬斷一句話,
段落之間留一點重疊,讓答案就算被切開,也總有一塊是完整的;順著章節、語意去切,而不是硬按字數一刀切下去。
切法對了,
那段完整的答案就不會被你自己親手斬成兩半、害兩邊都撈不全——很多人的回召率,光把切法修好就能跳一大截。

04 第四招——

「先大撈、再精挑」(over-retrieve + rerank)——寧可多撈，再用更強的模型二次篩,
第一關故意撈個五十、一百段,把正解幾乎必定包進來(這就把回召拉高了);第二關再用一個更精準的 rerank 模型,把真正相關的排到最前面。
先求「不漏」,再求「精準」,
用「寧可錯撈、不可放過」的大網先兜底,再靠精挑收尾——這一粗一細的兩段式,正是逼近 100% 回召最關鍵的心法。

PART 03

那衝到 100% 回召，就萬事大吉了嗎?

01 真相是——

你可能覺得,回召率越高越好,衝到 100% 準沒錯,
反正把該撈的都撈進來,答案一定就在裡面,還有什麼好擔心、還有什麼代價要付的呢?

02 真相是——

回召和「精準」,其實是一個蹺蹺板——你撈得越多、越不漏，撈進來的雜訊垃圾也越多,
一百段裡混著九十段不相干的,AI 反而被淹沒、被干擾,抓不到重點——回召 100%,但答案品質可能不升反降。
光看回召那個數字很爽,
但真正要顧的,是「撈得全」和「撈得乾淨」之間的平衡——這也是為什麼「rerank 精挑」那一步,絕對不能省。

03 真相是——

而且「近乎 100%」這個數字,往往是在一個乾淨、範圍明確的資料集上測出來的,
換到真實世界那種又髒又雜、格式亂七八糟、還一直更新的資料上,能不能守住,是另一個更難、更現實的考驗。
漂亮的數字要看它怎麼測的,
別被一個「100%」的行銷話術給唬了——問清楚「在什麼資料、什麼題目上測的」,那個數字才有意義、才站得住腳。

04 真相是——

所以真正的高手,追的從來不是「回召 100%」這一個孤零零的數字,
而是「撈得夠全、又夠乾淨,最後 AI 答得準」的那個整體——回召只是第一關,後面還有排序、精煉、生成,環環相扣一起顧。
把整條鏈路都調好,
回召自然水到渠成地高——與其迷信那個漂亮的百分比,不如老老實實把每一關的功夫都做扎實,這才是逼近滿分的真本事。