RAG检索相关性如何判断，是否使用欧式距离？

## 作用 RAG 会先根据用户问题从资料库中召回相关文本片段，再把这些片段交给大模型生成答案。判断检索相关性，主要是在“召回”阶段比较用户问题向量与文档片段向量的相似程度，并可在召回后进行重排。 ## 原理 - 文档先进行分片，例如按字数、段落、章节或页码切分。 - 通过 Embedding 将文本片段转换为向量，并存入向量数据库。 - 用户提问时，也将问题转换为向量，再计算问题向量与候选片段向量的相似度。 - 常见相似度计算方式包括： - **余弦相似度**：衡量两个向量夹角的余弦值；通常余弦值越大，方向越接近，相似度越高。 - **欧式距离**：衡量两个向量在向量空间中的直线距离；距离越小，表示越接近、相似度越高。 - **点积**：两个向量对应分量乘积之和；通常点积越大，相似度越高。 因此，**RAG 可以使用欧式距离判断相关性，但不是只能使用欧式距离**；余弦相似度、点积也很常见，具体选择取决于 Embedding 模型和向量数据库的检索配置。