← 返回概念解读

Concept Fable精修版

检索召回率

Retrieval Recall · RAG evaluation

先读故事。这里不急着给定义,先让问题自己长出来。

寓言故事

该找到的证据有没有被带回来

县衙审一桩地契案,师爷负责去档案库找证据。库里有旧契、税册、邻里证词和历年判词,案子能不能判清,很大程度看该带回的材料有没有带回。

第一天,师爷只拿回三份最整齐的契书。它们都支持原告,县令差点下判。被告老农却说,三十年前有份水渠约定,若不看那份,地界就会错。

师爷回库又找,果然在潮湿角落翻出水渠册。县令意识到,带回的材料看似干净,却漏了关键证据,整场判断建立在缺口上。

第一次修补,师爷决定宁可多拿。他搬来两大箱纸,里面夹着无关税票、邻村旧案和重复抄本。堂上花了整日翻纸,关键材料反而被压在底下。

老库吏教他先列“必须找到的证据类型”:原始契、后续变更、缴税记录、相邻地证词、历次争议。每类至少查到可信来源,找不到也要标明缺失。

师爷再办案时,不追求把库搬空,也不满足于最顺眼的几张。他关心的是应当出现的重要证据是否被召回,尤其是会改变判断的那部分。

县令后来常问一句:该来的证据来齐了吗?答案若是否定,再漂亮的论证也只是站在空地上。找得准之前,先要找得全到足够支撑判断。

后来师爷每次交卷,都会附上一张缺口单:哪些证据已找到,哪些地方查无记录,哪些仍需复核。县令看见缺口,反而更敢判断,因为他知道判断站在哪些材料上。召回不求把世界搬来,而要把该影响结论的东西尽量带回来。 老库吏后来把这句话刻在库门旁。新师爷进门前先想清楚案子需要哪些材料,再开始翻找。带回证据的多少不重要,重要的是会影响判断的证据有没有被漏在暗处。 后来县衙少了许多自信过头的判词,因为缺口会先被看见。 这句话后来被写进新人的手册里,提醒大家先看现场代价,再谈省力。 也正因为这层提醒,后来再遇到相似难题时,众人不会急着套旧办法。

揭示

这个故事讲的是:检索召回率

Retrieval Recall 衡量所有相关结果中被系统成功检索出来的比例。在 RAG 中,它回答的是:关键证据有没有被召回。低 recall 会导致模型基于不完整上下文作答,在合规、合同、售后和医疗等场景尤其危险。提高 recall 可通过更好的 chunking、metadata filter、hybrid search、query expansion、multi-query retrieval 和更合适的 embedding 模型实现,但仍需 reranking 控制噪音。

它重要的地方在于:它不只是一个术语,而是在真实 AI / Agent 系统里会反复出现的结构性问题。理解它,才能判断什么时候该加模型,什么时候该改流程,什么时候该补治理。

隐喻映射

  • 漏掉补充协议:关键证据未被召回
  • 返回资料都很准:precision 高但 recall 可能低
  • 必须证据清单:评估召回所需的黄金标注
  • 主协议、DPA 和审批记录:企业问题常需要多份证据共同支撑
  • 父子 chunk 与元数据:提高 recall 的索引设计
  • 混合检索:结合关键词和向量减少漏召
  • 关键证据不缺席:RAG recall 的核心价值

Soloharness 判断

这个概念的实战价值,是帮你把“看起来聪明的 AI 功能”拆成可交付、可验收、可治理的工作单元。

precisionrerankingtop-kground truth

相关辨析

这个概念容易和相邻概念混用,建议继续看对比页。