RAG的核心缺陷——语义相似度检索的局限与突破之道

在日常工作中，你是否遇到过这样的困扰：向智能助手询问「杭州市社保信息的数据」，得到的却是大量与社保相关的政策解读、历史沿革，唯独缺少你真正需要的杭州市具体社保数据？

这背后暴露的，正是当前大热的RAG（检索增强生成）技术在复杂场景下的核心缺陷。

一、RAG的理想与现实落差

RAG的工作原理看似完美：

• 将用户问题转换为向量

• 在知识库中寻找相似内容

• 基于检索结果生成答案

但在条件查询场景中，这个流程却频频失效，如下：

# 用户真实需求：条件查询用户输入："我想查询杭州市社保信息的数据"
# RAG的理解：语义匹配检索词：["杭州", "社保", "信息", "数据"]
# 实际检索结果：- 《社保制度的历史沿革》- 《全国社保政策解读》 - 《杭州市旅游指南》- 《数据管理方法论》
# 用户期望结果：- 杭州市社保参保人数- 杭州市社保缴费比例- 杭州市社保基金结余

二、为什么语义相似度不够用？

1. 条件过滤缺失

RAG基于概率匹配，而非确定性过滤。它知道「社保」和「杭州」相关，却不知道需要将两者精确组合。

2. 意图识别偏差

用户意图是查询数据，但RAG可能理解为解释概念。

3. 结构化数据检索困难

当需求涉及「哪个部门」、「什么时间」、「何种类型」等多重条件时，纯语义检索显得力不从心。

三、真实业务场景中的困境

场景一：企业数据检索

「查询2023年销售额超过1亿的华东地区客户」

❌ RAG返回：销售技巧、华东市场分析
✅ 用户期望：符合条件的客户具体名单

场景二：科研数据筛选

「找出近五年被引量超过100的人工智能论文」

❌ RAG返回：人工智能发展综述、论文写作指南
✅ 用户期望：具体的论文标题和引用数据

四、突破之道：从「纯RAG」到「智能RAG」

解决这一问题的核心思路是：意图识别 + 条件过滤 + 语义检索的三重组合。