一文搞懂 RAG 的召回率（Recall）是什么？

在学习 RAG（Retrieval-Augmented Generation，检索增强生成）时，经常会听到一句话：

"RAG 首先要保证高召回率（High Recall）"

很多初学者都会疑惑：

• 什么是召回率？

• 为什么不是准确率？

• 它和大模型有什么关系？

其实，理解了一个简单的 Demo，就能彻底明白。

---

什么是召回率？

一句话概括：

召回率（Recall）表示：所有真正相关的文档中，被检索系统成功找出来了多少。

它关注的是：

有没有把真正需要的知识找到。

而不是：

排得是否最准确。

---

一个简单的 Demo

假设你的知识库中有 100 万个文档。

用户提出一个问题：

Redis 为什么这么快？

实际上，与这个问题真正相关的文档只有下面 5 篇：

① Redis 单线程模型
② Redis 基于内存存储
③ Redis IO 多路复用
④ Redis 高效数据结构
⑤ Redis Pipeline

也就是说：

真正相关文档 = 5 篇

---

现在，RAG 开始进行向量检索（Retriever）。

假设设置：

Top-K = 3

系统最终返回：

① Redis 单线程模型      ✅
② Redis 基于内存存储    ✅
③ Redis Cluster 集群    ❌

可以看到：

真正相关的文档一共有：

5 篇

但是系统只找到了：

2 篇

因此：

召回率（Recall）

= 找到的相关文档数量
  ─────────────────
  所有相关文档数量

= 2 / 5

= 40%

这就是：

召回率只有 40%。

---

为什么召回率重要？

因为：

LLM（大模型）只能根据检索出来的内容回答。

继续上面的例子。

真正解释 Redis 为什么快的重要知识是：

Redis IO 多路复用

但是：

Retriever 没有找到。

于是，大模型最终只能看到：

Redis 单线程
Redis 内存
Redis Cluster

它可能回答：

Redis 使用内存存储，因此速度很快。

虽然回答没有错误，但遗漏了：

• IO 多路复用

• 高效数据结构

• Pipeline

所以答案并不完整。

原因不是：

大模型不会。

而是：

大模型根本没有看到这些知识。

---

什么叫"高召回"？

如果把 Top-K 调整为：

Top-K = 10

系统可能返回：

① Redis 单线程
② Redis 内存
③ Redis IO 多路复用
④ Redis 数据结构
⑤ Redis Pipeline
⑥ Redis Cluster
⑦ Redis 发布订阅
⑧ Redis AOF
⑨ Kafka
⑩ MySQL

可以看到：

真正相关的 5 篇文档全部找到了。

这时：

Recall = 5 / 5 = 100%

虽然里面还有一些无关内容（例如 Kafka、MySQL），但是没关系。

因为：

真正重要的信息已经全部找回来了。

这就是：

高召回（High Recall）。

---

为什么 RAG 要先追求高召回？

现代 RAG 一般分成两个阶段：

用户问题
      │
      ▼
Retriever（检索）
      │
      ▼
Top20
      │
      ▼
Reranker（重新排序）
      │
      ▼
Top3
      │
      ▼
LLM

第一阶段（Retriever）的目标就是：

宁可多找，也不要漏找。

因为：

如果真正相关的文档都没有找回来，

后面的 Reranker 再厉害，

LLM 再智能，

也无法回答不存在于上下文中的知识。

---

总结

可以把召回率理解成一句最简单的话：

召回率不是看找得准不准，而是看真正有用的文档有没有被找回来。

对于 RAG 来说：

• 找不到相关知识（低召回），大模型一定答不好。

• 找回来之后，再通过 Reranker 重新排序，提高最终答案质量。

因此，在企业级 RAG 中，经常会强调一句话：

Retriever 负责提高 Recall（召回率），Reranker 负责提高 Precision（准确率），LLM 负责生成最终答案。

这也是目前生产级 RAG 最经典的三层架构思想。
:::

如果你继续学习 RAG，下一篇建议写 《RAG 的准确率（Precision）是什么？为什么 Retriever 后面还要加一个 Reranker？》，这两篇结合起来，就能把 RAG 检索链路彻底理解清楚。