直接回答：RAG准确率提升有7个方法，按顺序做——数据质量治理、切片策略、Embedding选型、混合检索、重排序、提示词工程、评测闭环。前3个是地基，中2个是提分关键，后2个是放大镜。按这套顺序走，大多数知识库能从80%提到95%。
先说结论：不要一上来就换大模型或加花活。RAG 90%的准确率问题出在数据环节和检索环节，模型只是最后一步。
这是最被低估的一步。文档脏、命名乱、版本旧、内容重复，检索出来的东西再对也是垃圾进垃圾出。
落地步骤：
① 清洗：去掉页眉页脚、水印、乱码，统一格式；
② 去重：同一内容多个版本只留最新，避免答案冲突；
③ 标注：给关键文档打标签（产品名、时间、适用范围），检索时可按标签过滤。
切片是RAG最影响准确率的环节。切太大，混入无关信息；切太小，答案上下文不够。
落地步骤：
① 按语义边界切：标题、段落、列表是天然边界，不按固定字数硬切；
② 切片大小：一般300-500字/片，技术文档可800字；
③ 加重叠：相邻切片重叠50-100字，防止答案被切成两半；
④ 重要内容单独成片：FAQ、规格参数、价格表，一条一条独立切片。
更细的切片要点可参考《RAG文档怎么切片？300-500字黄金区间》。
向量模型决定"语义理解"的底子。通用模型对专有名词、行业术语理解差，检索不到就是白搭。
落地步骤：
① 优先中文优化过的向量模型，或用和你行业接近的微调模型；
② 换模型后必须用评测集重测，别只看演示效果；
③ 维度不是越高越好，768-1024维对大多数场景够用。
向量检索擅长语义，关键词检索擅长精确匹配。两者取并集再融合排序，专有名词（型号、人名、代码）命中率大幅提升。
落地步骤：
① 同时跑向量检索和BM25关键词检索；
② 取前N条并集，用加权分数（如0.7向量+0.3关键词）融合；
③ 行业术语多的场景，关键词权重可提到0.5。
先粗召回再精排：向量检索召回Top-50，重排序模型精排取Top-5给大模型。这一步能过滤掉大量不相关片段，直接提升回答质量。
落地步骤：
① 召回阶段把top-k调大（如50）；
② 接入Rerank模型对候选片段打分；
③ 取精排后Top-5拼接进提示词。
注意：重排序只放大召回质量。前置切片、Embedding没调好，重排序也没用。
同样一堆文档，提示词写得清不清楚，回答差一个档次。关键是让模型"只依据给定文档回答"。
落地步骤：
① 明确指令：只基于检索到的文档回答，不编造；
② 给出处：回答时标注引用了哪份文档，方便溯源；
③ 拒答规则：文档里没有的，明确说"知识库中没有相关信息"，不硬编。
没有评测就没法迭代。建一个固定评测集，每次改动跑同一套题，数字说话。
| 指标 | 含义 | 达标线 |
|---|---|---|
| 命中率 | 该找的文档是否被检索到 | ≥90% |
| 正确率 | 回答与标准答案是否一致 | ≥90% |
| 拒答率 | 不知道时是否拒绝而非瞎说 | 越高越好 |
落地步骤：建50-100条评测集（真实用户问题+标准答案+应命中文档）→ 每次改动跑全量 → 记录三个指标 → 只保留提升的改动。
| 阶段 | 方法 | 预计提分 | 时间 |
|---|---|---|---|
| 地基（先做） | 数据治理 → 切片 → Embedding | 20-40% | 1-4周 |
| 提分（重点） | 混合检索 → 重排序 | 10-25% | 2-4周 |
| 放大（持续） | 提示词 → 评测闭环 | 5-10% | 持续 |
核心建议：从80%到95%不需要魔法，需要的是按顺序把7个方法挨个做一遍，每一步都用评测集验证。想先判断你的RAG值不值得优化，可以先过一遍五问评估法。
先做数据质量治理：文档干净、命名规范、去重去旧，再把切片策略调对。数据不干净，后面所有环节都在错误的地基上优化，准确率卡在80%上不去。
建一个50-100条的评测集，每问配标准答案和应命中的文档，跑一遍算三个指标：命中率（该找的文档找到没）、正确率（回答对不对）、拒答率（不知道时会不会瞎说）。每次改动跑同一套题对比。
先查前置环节：召回数量太少（top-k设小）、Embedding和检索方式不匹配、切片把答案切碎了。重排序只在召回结果质量合格时才有用，前置没修好，重排序只是放大垃圾。
混合检索=关键词检索+向量检索取并集再排序，处理专有名词（型号、人名、代码）很有效。不是必须，但如果你的知识库专有名词多、经常检索不到，强烈建议做，通常提升5-15个百分点。
数据治理+切片调优1-2周，Embedding换型+混合检索2-4周，重排序+评测闭环持续迭代。正常节奏是3-6周从80%提到90%以上，前提是每步都按评测集验证，别凭感觉调。
你的RAG知识库准确率卡在多少？想先评估一遍值不值得优化？
免费做一次RAG健康体检我们提供 企业私有知识库/智能问答系统开发 —— 源码交付、私有化部署，先看成品再谈合作。