RAG数据准备技巧

她明确指出："在我见过的很多公司里，RAG 方案里最大的性能提升都来自更好的数据准备，而不是纠结用哪个向量数据库"（向量数据库更多影响延迟、读写模式这类工程属性，但不是答案质量的主要瓶颈）。具体技术手段：

1. chunk 大小的权衡设计：chunk 太长，检索到一个块就包含了过多不相关信息，检索精度下降；chunk 太短，虽然检索范围广，但单个 chunk 可能缺乏足够上下文来回答问题。需要针对具体场景专门设计 chunk 大小。
2. 补充上下文元数据：给每个 chunk 附加摘要、元数据，帮助模型判断这个 chunk 和查询的相关性——原始文档往往结构混乱（例如文档开头定义了一个术语，后面章节引用该术语时不会重复定义，chunk 之后就丢失了这层关联）。
3. 假设性问题（hypothetical questions）：为每个 chunk 预生成一批"这个 chunk 能回答的问题"，检索时拿用户的查询去匹配这些假设问题，而不是直接匹配原文。
4. 重写为问答格式：把原始内容（如播客文字稿）用 AI 重写成"问题-答案"对的形式，而不是简单切块——有从业者反馈这是他们获得的最大单项性能提升。
5. 为 AI 阅读单独加一层注释：人类写的文档默认读者有常识/领域背景（例如"某个函数输出的温度值应为 -1 到 1 之间"，人类专家懂这个刻度含义，但 AI 不懂），需要专门为 AI 检索场景补一层解释性注释，而不能直接复用面向人类读者的文档。