知识库找不到正确资料时，换一个 Embedding 模型可能有帮助；正确资料已经进入候选池但排得靠后时，更值得检查重排。原文缺失、权限过滤错误或切分丢掉条件时，换模型也无法补回这些信息。

排障方法已经在 RAG 检索优化中展开。本文讨论确认模型值得比较以后，如何筛选候选、安排对照，以及根据哪些证据决定更换。

Embedding 与 Reranker 需要一起更换吗？

不需要。先分别判断两者解决的问题，再测试组合效果。 常见双塔检索分别编码问题与文档，适合从大量文档中取得候选；Cross-Encoder 类重排模型联合处理问题和候选内容，进一步比较相关性。具体流程可参考 Sentence Transformers 的 Retrieve & Re-Rank 文档。

模型为什么每次回答不完全一样？Agent 为什么需要循环？RAG 已经检索到文档，为什么仍然可能答错？这些问题分别落在模型生成、任务执行、知识检索和应用治理几条链路上。

RAG 不只是把文档切块后做向量检索。这份 RAG 专题 面向企业知识库问答、智能客服、文档助手和内部搜索等场景，按文档进入系统后的完整链路展开，覆盖解析、清洗、切分、向量化、索引、召回、重排、生成、更新和评测。

给已有的 Spring 应用加一个售后助手，需要把哪些东西接起来？以“这笔订单还能退货吗”为例，订单状态在业务数据库里，退货政策在知识库里，用户却只输入了一句话。Spring AI 可以组织模型调用、政策检索和工具执行，让模型根据查到的材料回答问题。

订单归属、退货资格和退款操作仍由业务服务处理。 比如查订单前要校验当前用户的权限，模型生成了订单号也不能跳过这一步。

文中的 API 行为以 2026-11-06 核对的 Spring AI 2.0.2 官方参考文档为准。其他版本的工具调用和 Advisor 编排可能不同，使用时需要对照项目版本。