Deconstructing the underlying principle of RAG complete retrieval from the perspective of GEO in four stages | Knowledge base optimization technology in the detection industry

阶段 1：索引构建（GEO 优化核心前置环节，决定检索上限）

1）原始数据处理（检测行业专属）

原始素材：GB 国标、ISO17025、CNAS 认可准则、AEC-Q 汽车电子标准、实验室 SOP、检测报价模板、异常判读案例、设备操作手册、资质证书、项目报告。

GEO 优化动作：

• 统一格式：PDF/Word 扫描件 OCR 结构化，剔除冗余页眉页脚；
• 语义分块 Chunk：按检测项目、限值、试验步骤、合规条款拆分（而非固定字数），块重叠 50 字避免断章取义；
• 植入 GEO 结构化标记：国标编号、检测品类、实验室地点、资质等级、样品类型、风险等级元数据标签；
• 权威分层打分（GEO 核心权重）：S 级（国标 / CNAS）>A 级（企业内部标准）>B 级（历史检测案例）>C 级（普通培训文档）。

2）双索引存储（混合检索底层）

稀疏倒排索引（BM25 关键词检索）

存储文档关键词、标准号、术语（如 “高低温循环 TCT、HTOL、ROHS 限值”），精准匹配专业检测术语，解决纯向量检索专业名词丢失问题。

稠密向量索引（Embedding 语义检索）

用行业微调嵌入模型，将每个文本块转为 768 维高维语义向量，存入向量数据库；语义相近的标准 / 案例向量距离更近，用于模糊自然语言提问召回。

GEO 优化要点：在文档内高频标准化行业术语、统一计量单位、规范标准编号，提升向量相似度得分。

阶段 2：检索召回（RAG 核心检索环节，GEO 决定能否被搜到）

用户自然语言提问 → Query 解析 → 两路并行检索召回 Top-K 候选片段

1）Query 向量化与意图分类（检测行业示例）

用户问题：“汽车 PCB 板高低温循环测试 CNAS 判定标准，不合格如何出具整改建议”

意图识别：空间域（汽车电子实验室）+ 业务域（可靠性 TCT 测试）+ 合规域（CNAS 报告判定）；

Query 生成向量，同时提取关键词：PCB、高低温循环、TCT、CNAS、不合格整改；

两路检索：

• BM25 关键词检索：匹配 GB/T、AEC-Q、CNAS-RL01 相关标准原文；
• 向量语义检索：匹配同类 PCB 失效案例、实验室整改 SOP。

2）混合召回融合（RRF 倒数排名算法）

两路检索返回候选列表，按倒数排名融合，GEO 预存的权威等级分直接叠加到相关性得分：

同相似度下，国标文档得分 > 企业内部规范 > 普通案例，优先进入候选池。

阶段 3：重排序 Rerank（GEO 权威加权，过滤无效文档）

召回 20~30 条候选后，用交叉编码器模型做二次精细打分，GEO 三大加权因子：

• 语义相关分：问题与文本块匹配度；
• 行业权威分（GEO 核心）：CNAS / 国标文件权重 ×3，普通培训文档 ×0.5；
• 知识密度分：文档是否包含限值、步骤、判定结论等可直接引用的数据。

过滤后仅保留 3~5 条最高分片段，送入大模型生成，减少上下文冗余、降低幻觉。

阶段 4：增强生成（GEO 控制输出采信优先级）

拼接 Prompt：用户问题 + 重排序后的权威检测文档片段 + 强制约束指令（回答必须标注标准来源，不得编造限值）；

LLM 生成答案，优先引用 GEO 标记的高权威素材；

输出附带引用源：GB 编号、SOP 版本、实验室案例编号，满足检测行业合规溯源要求。