召回率暴涨！“层级化分片”与“降噪”拯救 RAG 系统

背景：AI 大潮下的中台建设

在 AI 浪潮席卷而来的当下，我们团队紧跟技术趋势，近期致力于构建企业级 AI 中台。我们的技术栈涵盖了 OCR 识别、智能语音交互、语音数字人、知识库 以及 AI Agent 等核心模块。

AI中台和数字孪生系统的结合，赋予数字孪生系统 语音交互，智能播报，业务助手等能力。 **从“可视”到“可听、可说、可思” **

最近我在处理一个孪生资产管理的知识库时，就遇到了一个非常典型的痛点：当用户搜索“1#楼”时，系统经常召回不到任何有效信息；或者即使召回了，也是一堆重复啰嗦的设备列表，导致 LLM 被噪声淹没，回答质量极差。

做 RAG（检索增强生成）的朋友都知道，最让人头秃的往往不是大模型不会回答，而是它根本“找不着北”。

经过一番排查和优化，我通过“层级化分片”配合“高频重复噪声去重”策略，将召回率和最终回答的准确率提升了几个量级。今天就来复盘一下这个过程，并拆解背后的技术原理与代码实现。

痛点复盘：为什么你的 RAG 总是“断章取义”且“废话连篇”？

在优化之前，我的数据是典型的“扁平化表格”结构。向量数据库里存储的是一条条独立的记录。这种传统的“一刀切”分片方式，带来了两个致命问题：

1. 语义鸿沟与上下文断裂：用户搜的是“1#楼”，但数据库里存的是 lou1。虽然人类知道它们是一回事，但 Embedding 模型很难完美对齐。更致命的是，假设用户问“1#楼1层有哪些温湿度传感器？”，系统可能召回了传感器的记录，但这条记录里根本没有“它在1#楼”的信息。模型就像拿到了拼图的一块，却死活拼不出全貌。
2. 高频重复噪声（High-Frequency Repetitive Noise）：这是极其隐蔽的“大坑”。在工业或运维场景中，大量数据伴随着重复字段（比如 100 个传感器，它们的 type 都是“温湿度传感器”，status 都是“正常”）。如果按行切分，这些高频重复的词汇会极大掩盖掉真正有区分度的词（如具体编号、位置），导致向量在空间里挤成一团，区分度极低，检索时全是“伪高分”的废话。

深度剖析：为什么“重复语言”会严重干扰召回？

你可能会有疑问，多写几遍“温湿度传感器”和“状态正常”，难道不是更能强调它的特征吗？实际上恰恰相反，这种重复语言会从底层严重破坏 RAG 的检索效果：

• 向量空间的“平庸化”塌缩：Embedding 模型本质上是在计算文本的语义重心。如果你的分片里充斥着大量重复的“正常、温湿度传感器、某某科技”，这些高频词的语义权重会极大掩盖掉真正有区分度的词（比如具体的设备编号、位置）。导致的结果是：所有传感器的向量在空间里挤成了一团，区分度极低。
• 余弦相似度的“伪高分”：当用户提问时，如果问题稍微沾一点边，向量数据库可能会召回一大堆“长得都很像”的重复数据。比如你查“1#楼传感器”，系统可能把 2#楼、3#楼的传感器也召回了，因为它们的描述文本相似度高达 99%。
• 浪费 LLM 的上下文窗口：召回了一堆废话，不仅干扰模型判断，还白白消耗了宝贵的 Token 配额。

破局之道：层级化分片 + 智能去重抽象

为了解决这两个问题，我放弃了扁平化的单行切分，设计了一套组合拳：

1. 层级化分片：把散落的数据按“园区 -> 楼宇 -> 楼层 -> 房间 -> 设备”的树状结构重新组装，打包成语义完整的 Markdown 文本块。
2. 去重与抽象：在生成分片时，自动提取子节点的公共属性（如相同的厂商、状态），并将大量重复的 ID 进行折叠展示。

优化后的分片效果长这样：

### 🏢 1#大楼 (ID: lou1)
**层级路径**：park -> lou1 (1#大楼)
**别名**：1号楼, 1楼, 1栋, 1#楼

#### 1. 包含的子级资产
- **floor**
  - 编号: IDC1-1, IDC1-2, IDC1-3

### 🏢 1F (ID: IDC1-1)
**层级路径**：lou1 -> IDC1-1 (1F)
**别名**：无

#### 1. 包含的子级资产
- **device** (公共属性: status: 正常, vendor: 海康威视)
  - 编号列表: SENS1, SENS2, SENS3... (共 10 个)

原理拆解：为什么这样做能大幅提升效果？

1. 显式的同义词注入（对抗语义鸿沟）：在层级化分片中，我们直接在文本块里写入了 别名: 1号楼, 1楼。无论用户输入哪种叫法，Embedding 模型都能在该文本块中找到高度匹配的语义特征，相当于给向量加了一个“强力磁铁”。
2. 上下文的前置打包（解决信息孤岛）：我们将“父节点”（如楼宇信息）和“子节点”（如具体设备）合并在同一个 Chunk（分片）里。LLM 在阅读时，天然就能理解 SENS1 是属于 lou1 的，消除了跨片段推理的难度。
3. 向量特征的极度纯净（解决噪声干扰）：通过提取公共属性（如“公共属性: status: 正常”）和折叠 ID 列表，我们去掉了大量重复的“背景噪音”。向量模型能更专注于捕捉高价值的层级和位置信息，不仅节省 Token，还让检索更加敏捷。

核心代码实现：一键生成层级化去重分片

以下是完整的 Python 代码实现，包含数据预处理、同义词注入、层级聚合以及智能去重抽象的核心逻辑：

import pandas as pd

def generate_optimized_hierarchical_chunks(df: pd.DataFrame) -> list:
    """
    将扁平的 DataFrame 转化为层级化且去重的 Markdown 分片列表
    """
    chunks = []
    # 预先建立索引，方便快速查找子节点
    children_map = df.groupby("belong_to")
    
    for index, row in df.iterrows():
        asset_id = row['model_id']
        asset_name = row['model_name']
        asset_type = row['type']
        belong_to = row['belong_to']
        
        # 1. 动态生成同义词（解决“1#楼”召回难的问题）
        synonyms = []
        if asset_type == 'building' and '#' in asset_name:
            num = asset_name.split('#')[0]
            synonyms = [f"{num}号楼", f"{num}楼", f"{num}栋"]
        
        # 2. 获取当前节点的所有直接子节点
        children = children_map.get_group(asset_id) if asset_id in children_map.groups else pd.DataFrame()
        
        # 3. 【核心优化】处理子节点：去重、抽象与折叠
        children_text_list = []
        if not children.empty:
            # 按类型分组
            for child_type, group in children.groupby("type"):
                # 提取该类型下所有子节点的公共属性（去重）
                common_attrs = {}
                for col in group.columns:
                    if col not in ['asset_name', 'model_id', 'model_name', 'belong_to']:
                        unique_vals = group[col].dropna().unique()
                        if len(unique_vals) == 1:
                            common_attrs[col] = unique_vals[0]
                
                # 构建紧凑的展示文本
                type_header = f"- **{child_type}**"
                if common_attrs:
                    attrs_str = ", ".join([f"{k}: {v}" for k, v in common_attrs.items()])
                    type_header += f" (公共属性: {attrs_str})"
                
                children_text_list.append(type_header)
                
                # 折叠展示 ID，大幅减少重复文本量
                id_list = group['model_id'].tolist()
                if len(id_list) > 5:
                    display_ids = ", ".join(id_list[:3])
                    children_text_list.append(f"  - 编号列表: {display_ids}... (共 {len(id_list)} 个)")
                else:
                    children_text_list.append(f"  - 编号: {', '.join(id_list)}")
        
        # 4. 组装最终 Markdown 文本块
        chunk_text = f"""### 🏢 {asset_name} (ID: {asset_id})
**层级路径**：{belong_to} -> {asset_id} ({asset_name})
**别名**：{', '.join(synonyms) if synonyms else '无'}

#### 1. 包含的子级资产
"""
        if children_text_list:
            chunk_text += "\n".join(children_text_list)
        else:
            chunk_text += "- 无直接子级资产\n"
            
        chunks.append({
            "id": asset_id,
            "text": chunk_text.strip(),
            "type": asset_type
        })
        
    return chunks

# --- 模拟带有层级关系和大量重复描述的数据 ---
raw_data = [
    {"asset_name": "park", "belong_to": "", "model_id": "park", "model_name": "园区", "type": "park"},
    {"asset_name": "lou1", "belong_to": "park", "model_id": "lou1", "model_name": "1#大楼", "type": "building"},
    {"asset_name": "IDC1-1", "belong_to": "lou1", "model_id": "IDC1-1", "model_name": "1F", "type": "floor"},
    # 假设这一层有10个传感器，它们的 type, status, vendor 全都一样（高频重复噪声）
    *[{"asset_name": f"SENS{i}", "belong_to": "IDC1-1", "model_id": f"SENS{i}", "model_name": "温湿度传感器", "type": "device", "status": "正常", "vendor": "海康威视"} for i in range(1, 11)]
]
df = pd.DataFrame(raw_data)

# 生成优化后的分片
optimized_chunks = generate_optimized_hierarchical_chunks(df)

# 打印查看 1F 楼层这一级的完美去重分片效果
for chunk in optimized_chunks:
    if chunk['id'] == 'IDC1-1':
        print(chunk['text'])

总结与建议

经过上面处理，现实测试，召回率从原来的50% 提高了90%多，效果非常明显。

RAG 系统的效果，三分靠模型，七分靠数据治理。如果你也面临召回率低、模型经常“胡说八道”的困境，不妨试试这套组合拳：

1. 拒绝原始数据：不要把原始数据直接扔给rag系统，效果往往极差。
2. 拒绝无脑切分：不要只用固定的字符数去切文档。
3. 保留层级结构：将父子关系、同义词显式地写入分片文本中，解决上下文断裂。
4. 智能去重降噪：提取公共属性，折叠重复 ID，让向量特征极度纯净。

召回率上来只是第一步，接下来你还可以引入 Rerank（重排序）模型来进一步过滤噪声，提升最终的回答准确率。继续冲！

最后，关注公号“ITMan彪叔” 可以添加作者微信进行交流，及时收到更多有价值的文章。