RAG 架構設計 - Kerwin AI Information

📌 本文重點

生產級 RAG 核心在「檢索精準度」

先設計穩定索引管線，再優化查詢路徑

權限與多租戶必須在索引層處理

把 RAG 當「檢索系統 + LLM」來設計

在 demo 環境跑得很順的 RAG，一接上真實企業文件就開始答非所問、亂編內容、延遲爆炸。這篇文章要解決的痛點很直接：如何把「玩具級 RAG」變成「可以被客服、業務、內部搜尋真正依賴」的生產系統，而不是靠換更大的 LLM 硬撐。

重點說明：兩個關鍵心智模型

1. 檢索精準度 > 模型能力

多數生產事故不是 LLM 太笨，而是檢索到的內容就錯了：

chunk 切太碎：一句關鍵話被切開，LLM 根本看不到完整前後文
embedding 品質差：相似度搜尋抓不到真正相關的段落
檢索策略太單純：只用 top-k dense vector，忽略 metadata / keyword / rerank

💡 關鍵： 先把檢索品質拉高，通常比直接換更大的模型帶來更高的整體效益。

結論：先優化檢索，再考慮換更大的模型。實務上，花在檢索調整的時間，ROI 通常比換模型高很多。

2. 系統品質由最弱環節決定

一個典型 RAG 流水線：

資料 → chunking → embedding → 向量庫/索引 → 查詢策略 → rerank → LLM 回答

任何一段出問題，整條鏈就報廢：

Chunking 不考慮結構：FAQ 題目和答案被拆開
向量庫設計混亂：不同語言、不同資料源混在同一 index
檢索策略只有單一路徑：某個類型問題天生查不到答案，直接導致幻覺

把它當成一條 ML data pipeline 來設計：

先穩定離線索引，再設計可觀測的線上查詢路徑。

離線索引管線：從混亂文件到可用索引

1. 資料清洗與格式統一

企業常見情境：Confluence、PDF 掃描檔、工單、Excel 報表全混在一起。

目標：轉成「統一的文件 schema」，例如：

{
  "doc_id": "policy-2024-hr-001",
  "source": "confluence",
  "title": "2024 HR 政策總則",
  "lang": "zh-TW",
  "section_path": ["人資", "請假制度"],
  "content": "純文字內容...",
  "permissions": ["dept-hr", "role-admin"],
  "updated_at": "2024-05-01T10:00:00Z"
}

重點：

提前把 權限、多租戶標籤、語言 等 metadata 帶上，後面檢索才能 filter
盡量在這一步做結構抽取（標題、段落、表格轉文字）

2. Chunk 策略：不是「固定 500 tokens 就好」

實務上可以用「結構優先 + 長度限制」策略：

MAX_TOKENS = 350
OVERLAP_TOKENS = 50

# 1. 先依標題 / 小節切
sections = split_by_headings(doc.content)

# 2. 每個 section 再依 token 長度切成多個 chunk
chunks = []
for sec in sections:
    for c in sliding_window_tokenize(
        sec,
        max_tokens=MAX_TOKENS,
        overlap_tokens=OVERLAP_TOKENS,
    ):
        chunks.append({
            "doc_id": doc.doc_id,
            "section_title": sec.title,
            "content": c.text,
            "start_offset": c.start,
            "end_offset": c.end,
        })

好處：

儘量保持語意完整的段落，減少「半句話」的 chunk
使用 overlap 避免重要句子剛好被切斷

3. Embedding 批次處理與向量庫設計

建議：

儘量統一使用 同一個 embedding 模型 處理相同語料
做 batch embedding，避免每個 chunk 單獨呼叫 API 導致吞吐量慘烈

示意程式碼：

from openai import OpenAI
from tqdm import batched

client = OpenAI()

EMBED_MODEL = "text-embedding-3-large"
BATCH_SIZE = 256

vectors = []
for batch in batched(chunks, BATCH_SIZE):
    texts = [c["content"] for c in batch]
    resp = client.embeddings.create(
        model=EMBED_MODEL,
        input=texts,
    )
    for c, emb in zip(batch, resp.data):
        vectors.append({
            "id": f"{c['doc_id']}::{c['start_offset']}",
            "embedding": emb.embedding,
            "metadata": {
                "doc_id": c["doc_id"],
                "section_title": c["section_title"],
                "permissions": doc.permissions,
                "lang": doc.lang,
                "source": doc.source,
            },
        })

向量庫設計要點（不管你用 Pinecone、Weaviate、Qdrant、pgvector）：

每個 index 維持單一主要語言或資料型態，避免 embedding 空間太混
必須支援 metadata filter（之後做權限、多租戶隔離）

線上查詢路徑：多路檢索 + Rerank + Fallback

1. 多路檢索與 metadata filter

典型路徑不是一發向量搜尋就結束，而是：

根據使用者身份加上 權限 filter
同時走 向量檢索（semantic） 與 關鍵字 / BM25（lexical）
合併結果後用 reranker 排序

假設你用的是一個支援 hybrid search 的向量庫：

query_vector = embed_query(user_query)

filters = {
  "must": [
    {"key": "tenant_id", "match": user.tenant_id},
    {"key": "permissions", "in": user.roles},
  ]
}

# dense + keyword 路徑
vec_results = vector_index.search(
    vector=query_vector,
    top_k=30,
    filter=filters,
)

keyword_results = keyword_index.search(
    text=user_query,
    top_k=30,
    filter=filters,
)

candidates = dedup(vec_results + keyword_results)

2. 使用 rerank 提升最終精準度

在 top-30 或 top-50 候選上，用一個更強的 cross-encoder / LLM reranker 排序：

from my_reranker import cross_encoder_rerank

reranked = cross_encoder_rerank(user_query, candidates)  # 回傳已排序列表
top_contexts = reranked[:5]

好處：

dense 向量比較好抓「同一概念不同字眼」
keyword 比較好抓「精準術語」與數字、代碼
rerank 用較貴的模型，但只跑在小量候選上，CP 值高

3. LLM 回答與 Fallback 策略

最後呼叫 LLM 時，不要直接餵所有 chunk，而是：

限制 context 數量（例如最多 4–8 個 chunk）
明確告訴模型：只能根據提供的資料回答

SYSTEM_PROMPT = """你是公司內部知識庫助理，只能根據提供的 context 回答。
如果找不到答案，請明確回答「依目前資料無法確認」。
"""

context_str = "\n\n".join(
    [f"[{i}] {c['content']}" for i, c in enumerate(top_contexts)]
)

completion = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": f"問題：{user_query}\n\n參考資料：\n{context_str}"},
    ],
)

Fallback 設計建議：

若檢索結果的 相似度分數都低於某門檻，直接回答「查無對應資料」而非亂編
若向量檢索失敗，可 fallback 成只用 keyword search

常見坑與實戰建議

1. 混亂企業文件與長上下文幻覺

問題：把整份 PDF 直接丟進 LLM 的 long context，看起來很酷，但成本與幻覺都超高
建議：
把 long context 當成 最後手段，先用精準檢索把範圍縮小
針對常見錯誤問句，建立 失敗樣本集，離線迭代 chunking / 檢索策略

2. 權限與多租戶

絕對不要在 LLM prompt 內才控制權限
權限應該在 向量庫的 metadata filter 層 完成
多租戶建議：
小規模：同一 index，用 tenant_id 做 filter
大客戶：獨立 index，避免資料量與權限邏輯互相影響

3. 成本與延遲控制

可以從幾個槓桿調整：

top-k：從 20 慢慢調到 50 看效果，不要一開始就丟 100
使用 gpt-4.1-mini / Llama 小模型當回答模型，搭配精準檢索，通常已足夠
批次 embedding、批次向量查詢，減少 API round-trip

💡 關鍵： 先優化 top-k、模型選型與批次策略，往往就能在不換主模型的情況下顯著降低成本與延遲。

4. 離線評估與線上監控

離線評估：

建立一小包「問題–標準答案–應該被檢索到的 chunk」
指標：Hit@k、MRR、生成答案與標準答案的相似度

線上監控：

記錄每次 query 的：
檢索到的 doc_id / 相似度分數
LLM 回答 + 使用者後續行為（是否重新提問、是否人工改寫）
針對「多次重試」或「被人工標記錯誤」的 query，自動加入離線失敗樣本集

不同規模專案的 RAG 架構選型建議

1. 小型專案（單一產品 FAQ / 文件 < 1k 篇）

架構：Single-vector RAG 即可
單一向量庫 index
單一路徑的向量檢索（top-k=10）+ 簡單 rerank 或甚至不 rerank
什麼時候足夠：
問題類型集中、文件格式相對乾淨
沒有複雜權限、多租戶

2. 中型專案（多產品、多來源文檔，含內部知識庫）

架構：Hybrid Search RAG
向量檢索 + keyword/BM25 檢索
Metadata filter 處理基本權限、多語言
reranker 排序 top-30
適用情境：
文件來源與格式混雜
問題類型多樣（政策、程式碼、FAQ 混在一起）

3. 大型企業級專案（多租戶 SaaS、嚴格權限控制）

架構：分層 RAG pipeline
第一層：根據 query 先判斷「要去哪個 domain / product / tenant」
第二層：在該 domain 內做 hybrid search + rerank
針對高價值流程（法務、財務）再加一層 LLM verification / rule-based check
必備：
完整 observability（檢索 log、失敗樣本管理）
嚴格權限控制嵌在 index filter，不依賴 prompt

小結：先把檢索做好，再談「更聰明的模型」

如果要一句話總結生產級 RAG：

把它當檢索系統 + LLM，而不是 LLM + 一點點檢索。

從離線索引管線、chunk 策略、向量庫設計到線上多路檢索與 rerank，只要能有系統地優化這些「最弱環節」，你的 RAG 往往在不升級模型的情況下，就能從 demo 品質變成可以上線承壓的生產系統。

🚀 你現在可以做的事

把現有企業文件先整理成統一 document schema，並補上權限與語言等 metadata

實作一條離線 chunking + batch embedding 管線，搭配支援 metadata filter 的向量庫

為常見查詢建立「失敗樣本集」，定期用 Hit@k / MRR 檢驗並調整檢索與 chunk 策略

標籤: RAG 架構設計

生產級 RAG 架構實戰與踩坑指南