先说结论：到了千万级文档，别再指望模型聪明，要把accuracy的负担从LLM身上挪到retrieval pipeline里，并且把"克制"当成一个feature。
做1000万份文档量级的企业RAG，目前全网我还没找到什么特别好的教程。“把PDF丢进vector DB，接个LLM，搞定”，这个流程在几百份文档上跑得很好，一到这个量级就整个崩掉。
下面是我踩过的坑和几个核心判断。
别指望embeddings理解语义
很多人默认embeddings是"懂意思"的。但真相要朴素得多：它大部分时候是在捕捉"哪些词经常一起出现"，并没有真的在做语义理解。
举个例子：你搜"员工离职后期权怎么处理"，embeddings可能给你捞回一堆讲员工"入职"期权授予的段落，因为这两段话里的词几乎完全重合。它看到的是词的共现模式，却不知道"离职"和"入职"是两件相反的事。
文档少的时候，这种错位会被淹没在少量候选里，LLM还能靠上下文纠回来。文档一多，长得像但意思相反的段落会成批出现，LLM拿到的材料本身就是错的。
所以架构核心只有一句话
把accuracy的负担从LLM身上挪到retrieval pipeline里，并且把"克制"当成一个feature。
也就是说，不要指望一个聪明的模型从一堆烂材料里拼出正确答案。要保证送进去的材料本身就是对的，同时允许系统在材料不够时明确说"我不知道"。
下面两条是我认为在检索这一段不能妥协的。
第一，hybrid ingestion：BM25和vector必须一起上
embeddings对精确匹配非常烂。比如你搜一个产品型号SKU-4471-B，或者一个报错码ERR_TIMEOUT_5032，这类词的字符本身才是关键信息，语义相似度在这里几乎没有意义。embeddings很可能给你返回SKU-4471-C，看着差不多，实际是另一个产品。
BM25这种传统关键词检索在这上面反而精准得多。两条路一起跑，然后合并结果。合并时两边的分数不在一个尺度上，常见做法是用Reciprocal Rank Fusion按排名融合，不用去对齐分数。
企业文档里恰恰到处是这种词：型号、合同编号、报错码、条款号、内部系统名。只上vector，等于把最容易答对的那类问题交给了最不擅长的那条路。
第二，two-pass retrieval：先粗筛再精排
直接在几百万个chunk上做精确打分，成本根本扛不住。所以分两步：
第一步，用ANN（近似最近邻）快速捞出top 100到500个候选。这一步图的是快和全，允许有噪音。
第二步，把这批候选丢给Cross-Encoder reranker，比如BGE系列的bge-reranker，做真正的相关性打分。Cross-Encoder会把query和文档放在一起判断，精度高得多，但很慢，所以它只能处理几百条，不能处理几百万条。
粗筛保证召回，精排保证准确，分工很清楚。
"离职/入职"那种错，也主要是在这一步被拦下来的：reranker同时看query和段落，比只比向量距离更有机会分清两件相反的事。
克制是怎么落地的
这两条合起来，就是把"材料对不对"这件事尽量在进LLM之前解决。精排之后如果剩下的候选分数都不够，就让系统老实说"我不知道"，而不是把几段勉强相关的材料塞给LLM，让它编出一个看起来很像回事的答案。
在几百份文档的demo里，"总能给出答案"像是优点。到了千万级文档、真实业务在用的时候，一个会说"我不知道"的系统，比一个永远自信的系统可信得多。
最后
我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包：
- ✅AI大模型学习路线图
- ✅Agent行业报告
- ✅100集大模型视频教程
- ✅大模型书籍PDF
- ✅DeepSeek教程
- ✅AI产品经理入门资料
完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
为什么说现在普通人就业/升职加薪的首选是AI大模型？
人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。
AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。
资料包有什么？
①从入门到精通的全套视频教程⑤⑥
包含提示词工程、RAG、Agent等技术点
② AI大模型学习路线图（还有视频解说）
全过程AI大模型学习路线
③学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
④各大厂大模型面试题目详解
⑤ 这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**
