RAG检索引擎的核心流程
上一篇我们看到 RagChatExecutor.execute 方法会调用 ragRetrievalEngine.retrieve() 进行知识检索。这个方法是整个 RAG 问答链路的核心，负责把用户的问题转换成可用的证据。这篇就来详细拆解这个检索引擎是怎么工作的。
RagRetrievalEngine 的职责
先看类注释，了解这个组件的定位：
/**
* RAG 检索引擎。
* 该组件负责把编排阶段产出的检索问题真正落到多通道检索执行上，并完成：
* 1. 子问题拆分后的并发检索
* 2. 通道级超时隔离与降级
* 3. 向量 / 关键词结果闸门过滤
* 4. 多通道 RRF 融合
* 5. 父块提升与 rerank
* 6. 最终证据裁剪、引用编号和检索观测记录
*/
@Slf4j
@Service
public class RagRetrievalEngine {
private static final int RRF_K = 60;
private final List<RetrievalChannel> retrievalChannels;
private final ChatRagProperties properties;
private final DocumentPostProcessor rerankPostProcessor;
private final DocumentKnowledgeService documentKnowledgeService;
private final ExecutorService executorService;
public RagRetrievalEngine(List<RetrievalChannel> retrievalChannels,
ChatRagProperties properties,
HttpDocumentRerankPostProcessor rerankPostProcessor,
DocumentKnowledgeService documentKnowledgeService,
@Qualifier("chatRagExecutorService") ExecutorService executorService) {
this.retrievalChannels = retrievalChannels;
this.properties = properties;
this.rerankPostProcessor = rerankPostProcessor;
this.documentKnowledgeService = documentKnowledgeService;
this.executorService = executorService;
}
}
从依赖注入可以看出，这个引擎需要：
- retrievalChannels：所有可用的检索通道（向量检索、关键词检索等）
- properties：RAG 配置参数（超时时间、topK、阈值等）
- rerankPostProcessor：重排序处理器
- documentKnowledgeService：文档知识服务（用于父块提升）
- executorService：线程池（用于并发检索）
付费内容提示
该文档的全部内容仅对「码力全开」项目实战&技术讲解 知识星球用户开放
加入星球，一次获得完整项目资料、全栈技术知识库和长期答疑服务。
100万+字全栈技术知识库深入讲解技术核心、数据库、中间件和分布式等内容
8套热门的实战项目持续更新的企业级项目覆盖高并发、微服务、数据中台 和 AI Agent 等方向
AI 技术知识大模型面试详解覆盖 AI 模型原理、Agent、RAG、MCP、Skills、Harness 等核心知识点
文档 + 视频两种讲解形式既能系统阅读，也能跟随视频理解核心业务
完整项目实战资料
每套项目均包含从 0 到 1 讲解文档核心业务讲解视频从基础项目到复杂业务场景，项目资料会持续更新。
- 01Nexus Agent AI 智能体
- 02Nexus Agent Pro 完全版
- 03黑马点评Plus
- 04大麦
- 05大麦Pro
- 06大麦AI
- 07流量切换
- 08数据中台
加入后还能获得
进入星球后，即可享受上述所有服务，保证不会再有其他隐藏费用。从学习、面试到项目启动，都可以继续获得支持。
- 1 对 1 解答项目和技术问题都可以提问
- 针对性补充没有讲清楚的内容会继续补充
- 面试与简历指导梳理回答技巧和项目亮点
- 中间件云环境项目依赖可以直接接入使用
- 面试后复盘被问住的问题可以继续交流
- 远程问题解决项目启动问题可协助排查
