14.1 常见误区

先给结论：RAG 的失败多数不是“技术不够强”，而是“判断不清楚”。认清误区，比盲目堆功能更重要。

很多误区的问题，不在于它们完全错误，而在于它们只说对了一半。
比如：

• “资料越多越好”
• “相似度已经很高了，答案应该差不了”
• “先把 TopK 调大试试”
• “都召回到了，模型怎么还答不好”

这些说法都带着一点真实成分，但如果你把它们直接当成行动原则，系统就会很快走偏。

这一节的目的不是让你背诵几个反直觉结论，而是让你建立一种更稳的排障方式：
看到一个现象时，先判断它属于哪一层问题，再决定该怎么修，而不是凭直觉去调某个最显眼的参数。

这一节会回答什么问题

• RAG 不是把资料塞给模型就行，为什么？
• Chunk 不是越小越好，也不是越大越好，为什么？
• TopK 不是越大越好，为什么？
• 相似度高不等于答案就一定对，为什么？
• 召回到了不等于模型就能答好，为什么？
• RAG 效果差时，为什么不能第一反应就怪模型？
• 为什么“有知识库”不等于“知识真的可用”？

这一节应该怎么读

如果你现在正在做第一个 RAG 项目，建议按顺序读。因为这些误区通常也会按类似顺序出现：

1. 先误以为把文档塞进去就够了
2. 然后开始狂调 chunk 和 TopK
3. 接着发现相似度高也不一定答对
4. 再发现召回和生成之间还隔着“证据组织”这一层
5. 最后才意识到系统上线真正难的是可控性、评估和维护

如果你已经做过一轮系统，也可以把这一节当成排障清单来读：哪个现象最像你现在遇到的问题，就先看哪篇。