核心 GUIDE
Retrieval 是 Pipeline，不是一次 Search Call
可靠 RAG 会分离 Candidate Generation、Filtering、Reranking、Context Assembly 与 Provenance，让每一种 Failure 都可测量、可修复。
核心心智模型
Retrieval Pipeline 是一串 Evidence-selection Stage：Broad Recall 找 Candidate，Filter 执行 Scope，Reranking 改善 Precision，Context Assembly 在 Budget 下选择最终 Evidence。
为什么重要
RAG Answer 出错时，团队很容易直接怪 Embedding 或 Model，却不知道 Evidence 在哪个 Stage 丢了。Staged Pipeline 让 Retrieval Failure 可归因，也允许 Lexical、Dense、Metadata、Authority 与 Recency 分别在最擅长的位置发挥作用，而不是要求一个 Similarity Score 解决全部问题。
01
让每个 Selection Stage 都 Observable
先做 Query Understanding 与 Candidate Generation，可以组合多种 Retrieval Method。能提前做的 Permission / Metadata Hard Filter 尽量在 Expensive Ranking 前完成。再对 Bounded Candidate Set 使用更丰富 Signal Rerank，最后根据 Relevance、Authority、Diversity 与 Token Budget Assemble Context。记录 Candidate 与 Selection Decision，让 Offline Retrieval Metric 能定位哪个 Stage 丢掉了需要的 Evidence。
02
例子：包含 Error Code 的 Support Question
Query 同时包含 Exact Error Code 与 Natural-language Symptom。Sparse Retrieval 找到 Identifier，Dense Retrieval 找到语义相关 Troubleshooting，Account Metadata 排除错误 Product Version，Reranking 再把 Current Runbook 提到前面。Context Assembly 最终保留 Controlling Step 与 Source Metadata，而不是把所有 Candidate 全塞进 Prompt。
常见失败模式
- 把 Vector Top-k 当成完整 RAG Architecture。
- 直到 Generation 之后才做 Metadata 或 Permission Check。
- 只评价 Final Answer Quality，完全看不到 Retrieval Recall。
工程启发
- 先测 Candidate Recall，再调 Reranking 或 Prompt。
- 按 Stage 记录 Filtering 与 Ranking Decision。
- 在 Authority 与 Task Coverage 不丢失的前提下，组装最小 Evidence Set。
关键结论
- 01Retrieval Quality 由一系列 Selection Decision 共同产生。
- 02不同 Retrieval Signal 解决不同 Failure Mode。
- 03Stage-level Metric 让 RAG Failure 可诊断。
来自 Knowledge Graph 的相关知识点
这些关系直接来自 canonical graph，不维护第二套 Guide 分类体系。