无数企业正在尝试使用检索增强生成（RAG），但在制作这些系统达到生产质量时普遍会感到失望。因为他们的RAG不仅运行效果差，而且对于如何改进和如何进行后续的工作也感到十分的迷茫。
其实阻碍RAG系统的一个关键因素是语义不协调，这是由于任务的预期含义、RAG的理解以及存储的底层知识之间的不一致。由于向量嵌入的底层技术是神奇的（易变且极不透明），因此难以诊断这种不协调，使其成为生产化的重大障碍。
本文的目标是揭示普通RAG失败的主要原因，并提供具体策略和方法，使您的RAG更接近生产阶段。
在这篇文章中，我们将：
- 区分理想形态的RAG的前景与普通RAG的现实
- 解释语义不协调是如何产生的
- 介绍如何判断和缓解语义不协调
- 总结一些额外的高ROI策略，使RAG更加接近生产质量
注：为简化问题我们将关注基于问答的文本示例，但核心思想可以推广到其他用例
