Vector-Search on PlumePHP

Embedding 与 Reranker 深度调优：检索质量的决定性引擎

Sat, 26 Sep 2026 00:00:00 +0800

RAG 系统的质量上限由检索器决定：检索不到关键文档，再强的 LLM 也只能基于错误或残缺的信息作答。而检索质量的核心引擎是 Embedding（召回）+ Reranker（精排） 的两段式架构——Embedding 用极快的向量检索从百万文档中捞出 Top-100 候选，Reranker 再用精确的交叉编码把候选精排到 Top-10。本指南从两段式架构原理出发，系统覆盖模型选型、混合检索、Query 改写、Reranker 训练微调与评测方法论。

GraphRAG 实战：从向量检索到知识图谱增强检索

Sat, 26 Sep 2026 00:00:00 +0800

传统 RAG 用向量相似度检索文档片段，但在回答"谁和谁有关系"“某事件的完整影响链"这类需要多跳推理的问题时力不从心——关键信息可能分散在不同文档里，向量检索只能局部命中。GraphRAG 将知识表示为实体-关系图谱，用图遍历补足向量检索缺失的关联推理能力。本指南从图谱建模出发，系统覆盖实体抽取、图谱构建、检索策略（局部与全局）、与向量检索的混合架构，并给出 Neo4j + LLM 的完整实战。