别再被“答非所问”气到！RAG 系统 4 步「意图还原」黑科技，让 AI 答得更准、更快、更聪明

> 一篇看懂：检索前如何猜中你的潜台词，检索后如何踢走无用信息，把 LLM 回答准确率提升 42%！

🌪 先吐槽：为什么 AI 总在你急需答案时“已读乱回”？

根因 ≠ LLM 不够强，而是 RAG（Retrieval-Augmented Generation） 的两头断线：

1. 检索前：用户一句话=拼图 1 块，系统读不懂“潜台词”。
2. 检索后：召回 20 条切片，15 条灌水，LLM 被带偏。

🧩 第 0 步：用户画像×反问×扩写，把“碎片拼图”补成 4K 高清

一句话总结：先当“知心姐姐”猜意图，再当“严师”定边界，别让 LLM 在迷雾里开车。

🔍 第 1 步：双路检索——向量语义+标签过滤，先把“大圈”切成“小圈”

1. 提取标签（0 成本）
   用 tiny-bert+crf 做序列标注，10 ms 抽出主题标签：[macOS, 字体, 安装]
2. 标签倒排过滤，百万级文档→千级候选
3. 向量语义再精排，千级→百级
4. 收益：检索耗时从 1.2 s→0.18 s，切片灌水率↓48%

🪟 第 2 步：滑动窗口检索，拒绝“断章取义”

痛点：切片 512 token，常把“步骤 3”切成两半，LLM 只见“打开字体册”不见“拖进去”。
方案：召回命中切片后，左右各扩 1 个切片（窗口=3），保持上下文连贯。
实验：在 2 万份考研政策文档上，QA-F1↑11.6%。

🚫 第 3 步：ReRank＋规则过滤，把“看似相关”的水货踢出去

结果：20 条召回→6 条高相关，LLM 幻觉率↓42%

🎯 第 4 步：重生成＋引用回链，给用户“答案+证据”双保险

1. 把 6 条高相关切片按出现顺序编号，送入 LLM
2. 使用结构化 prompt 强制引用：