RAG技术解析：三种检索方式及其应用

摘要

文章系统介绍了RAG（检索增强生成）中的三种核心检索方式：向量检索、关键词检索与知识图谱检索。其中，向量检索作为最常用方法，依托文本向量化与相似度计算实现语义层面的匹配，能有效识别不同表达形式下含义相近的内容，即语义检索；Milvus是该范式下典型的高性能向量数据库工具。相较而言，关键词检索依赖显式术语匹配，知识图谱检索则侧重结构化关系推理。三者各具优势，常在实际应用中协同优化检索精度与覆盖广度。

关键词

向量检索,关键词检索,知识图谱,语义检索,Milvus

一、向量检索：RAG中的语义匹配核心

1.1 向量检索的基本原理：从文本到向量的转换过程

向量检索并非简单地“查找相同字眼”，而是一场静默却精密的语言解码仪式——它将人类纷繁的自然语言，经由预训练语言模型转化为高维空间中的数学坐标。每一段文本，无论长短，都被映射为一个稠密向量；这个向量不记录词序或语法，却悄然承载着语义的重量与方向。当用户输入一个问题，系统并不比对字符，而是计算其向量与知识库中所有文本向量之间的余弦相似度。距离越近，语义越契合。这一过程剥离了表层表达的偶然性，直抵意义内核：一句“如何缓解焦虑”与“有什么办法让心情平静下来”，在传统关键词逻辑中可能失之交臂，但在向量空间里，它们的落点却惊人地靠近。这种转换不是翻译，而是一种凝练——把千言万语压缩成一组数字，又让这组数字，在无声中开口说话。

1.2 向量检索的技术优势：语义理解与灵活匹配

向量检索最动人的力量，在于它赋予机器一种近乎共情的理解能力：它不苛求用户使用标准术语，也不惩罚表达的个性化。这种能力，正是语义检索的本质所在——匹配不同表达方式下的核心含义相近的内容。它让技术退后一步，让人的话语向前一步。相较于关键词检索的刚性阈值（必须出现、必须完整），向量检索展现出惊人的柔韧：同义替换、句式重组、甚至跨领域隐喻，都可能被悄然识别。它不依赖人工构建的规则库，而依靠数据驱动的语义泛化能力，在模糊中锚定清晰，在差异中发现一致。正因如此，它成为RAG中最常用的方法，不仅因其性能优越，更因其尊重语言本有的流动性与生命力。

1.3 向量检索的典型应用场景与实例分析

在真实世界的复杂需求面前，向量检索正悄然重塑信息获取的方式。当客服系统面对用户“上次寄丢的快递还没赔”这一模糊陈述时，它能跨越“赔偿”“补发”“申诉”“物流异常”等不同表述，精准定位历史工单与政策条款；当科研人员输入“调控T细胞分化的非编码RNA”，系统无需等待其精确回忆基因名称或文献标题，即可召回相关机制图谱与实验数据片段；当教育平台响应学生提问“为什么月亮有时看起来特别大”，它能关联天文原理、视觉错觉研究乃至古诗中的意象描写——所有这些，都建立在向量检索对语义本质的把握之上。它不替代人类思考，却成为思维延伸的可靠支点。

1.4 Milvus工具详解：向量检索的实践应用

Milvus是该范式下典型的高性能向量数据库工具。它专为海量向量的毫秒级相似性搜索而生，支持动态插入、实时索引更新与分布式扩展，将理论层面的向量匹配能力，稳稳落地为可部署、可运维、可规模化的工业级服务。在中文场景中，Milvus常与中文BERT类模型协同工作：前者负责高效检索，后者负责精准编码，二者共同构筑起RAG系统中“找得准、找得快、找得全”的核心能力基座。它不喧哗，却不可或缺；不显形，却无处不在——正如所有真正成熟的技术那样，它最好的状态，是让用户忘记它的存在，只感受到答案如期而至的笃定。

二、关键词检索：传统但依然有效的检索方式

2.1 关键词检索的工作机制：精确匹配的原理

关键词检索是一场对语言表层结构的虔诚守望——它不追问“这句话想表达什么”，只坚定回应“这句话里有没有那个词”。其工作机制朴素而锋利：将用户查询切分为离散的词汇单元（token），在知识库中逐字、逐词扫描，依赖完全匹配或基于规则的模糊变体（如词干还原、同义词扩展）进行定位。它不将文本转化为向量，不计算语义距离，也不建模上下文关联；它只信任显式出现的符号组合。一句“苹果发布新款手机”，若知识库中仅存“iPhone 15发布”而无“苹果”二字，该检索便可能失之交臂；但若原文明确写有“苹果公司”“iOS 17”“A17芯片”，它便能瞬时锁定，毫秒响应。这种确定性，源于它对语言形式的绝对忠诚，也正因如此，它成为RAG系统中可验证、可解释、可审计的“锚点式”检索方式。

2.2 关键词检索的技术特点：高效与局限

关键词检索的技术魅力，在于其惊人的效率与透明的逻辑：索引构建快、查询延迟低、资源消耗小，尤其适合高并发、低延迟的轻量级服务场景。它无需大模型编码、不依赖GPU算力、部署门槛极低，是许多传统企业知识库与合规文档系统的首选。然而，这份高效背后，是语言丰富性的悄然让渡——它无法理解“高血压”与“血压偏高”的等价性，难以识别“特斯拉”在句中指代车企而非发明家，更无法捕捉“降温了，记得添衣”中隐含的“天气转冷”这一核心语义。它像一位恪尽职守却从不提问的档案管理员，精准归档每一张卡片，却不知哪张卡片真正回答了你的问题。这种刚性，既是它的铠甲，也是它的边界。

2.3 关键词检索在特定场景下的适用性分析

在术语高度标准化、表达高度收敛的领域，关键词检索展现出不可替代的价值。医疗诊断辅助系统中，当医生输入“ICD-10编码：I10”，系统必须严格匹配国际疾病分类标准中的原字段，容不得语义泛化；法律文书检索时，“《民法典》第1043条”这一精确引用，若被向量化后模糊为“家庭道德规范相关条款”，反而会削弱司法严谨性；又如工业设备维保手册中，“轴承型号：6204-2RS”必须零误差召回对应参数与拆装图。这些场景不追求“差不多”，而要求“就是它”——关键词检索以字面为尺、以规则为纲，在确定性的疆域里，稳稳托住专业实践的底线。

2.4 关键词检索与向量检索的对比与互补

向量检索与关键词检索，并非替代关系，而是光谱两端的共生力量：前者如一位善解人意的对话者，倾听言外之意；后者似一位一丝不苟的校对员，紧盯字里行间。资料明确指出，向量检索是RAG中最常用的方法，而关键词检索则提供显式术语匹配能力——二者差异不在优劣，而在职责分工。实践中，RAG系统常采用混合检索策略：先以关键词锚定高置信度候选集（如限定“2023年财报”“华为”“净利润”三者共现），再用向量检索在该子集中做语义精排；或以关键词结果作为向量检索的负样本过滤器，排除明显无关项。这种协同，既规避了纯向量检索可能产生的“语义漂移”，也弥补了纯关键词检索的表达脆弱性。它们共同构成RAG的双螺旋结构：一个负责广度与温度，一个负责精度与刻度。

三、总结

RAG中的三种检索方式——向量检索、关键词检索与知识图谱检索——各具逻辑基础与适用边界。向量检索凭借文本向量化与相似度计算，实现对语义本质的捕捉，是当前最常用的方法；Milvus作为典型工具，支撑其在中文场景下的高效、可扩展实践。关键词检索则以显式术语匹配为特征，在标准化、高确定性场景中保持不可替代的精度与可解释性。二者并非互斥，而常通过混合策略协同优化：关键词锚定范围，向量精排语义，共同提升检索的准确性与鲁棒性。知识图谱检索虽未在本节展开详述，但其结构化关系推理能力，为复杂逻辑查询提供了另一维度的增强路径。三者融合，方能真正释放RAG“检索—理解—生成”的全链路价值。