RAG-02索引召回-Retrieval-Router-RAG

本文属于 RAG 工程框架中的「2 索引与召回」环节，聚焦「Retrieval Router（检索路由）」方法。可先阅读 RAG-00.方法概述再进入本篇。

原理

先识别查询意图与类型，再将查询路由到 dense、sparse、boolean、graph 或 multimodal 召回器。

关键技术/实现路径

查询分类（事实型、规则型、多跳型）。
路由策略（规则或轻量模型）。
失败回退（fallback）与融合。

优缺点

优点：在相同成本下提升平均质量。
缺点：路由错误会带来质量抖动。

性能与资源

路由开销低，收益取决于分类准确率。

应用场景

多类型查询混合的企业知识问答。

统一合成数据示例

输入数据片段

1	{"query":"上海2026差旅报销政策","query_type":"规则过滤型"}

中间结果（路由决策）

1	{"selected_retriever":"boolean+sparse","fallback":"dense"}

最终生成示例（含引用）

1	{"answer":"上海地区2026年执行机票上限2000元。","citations":[{"doc_id":"D10","evidence_span":"机票上限2000元"}]}

原始发表与工程实现

代表性原始发表：Retriever Routing 工程实践。
核心解决问题：解决不同查询类型的检索器选择。
成熟实现工具：RouterChain, RouterRetriever。

详细原理拆解

路由器按查询类型选检索器，近似 r*=argmax P(r|q)，保留 fallback 兜底。
典型实现可拆为：输入预处理 -> 方法核心计算 -> 候选/证据构建 -> 生成与引用。
工程调优重点：质量（准确率/引用率）与成本（时延/token）的联合优化。

flowchart LR
  In[输入 Query 与知识] --> Core[方法核心计算]
  Core --> Rank[匹配/路由/排序]
  Rank --> Build[证据组装]
  Build --> Out[答案与引用]

工程落地扩展示例

伪代码

def routed_retrieve(query, router, retrievers):
    name = router.route(query)              # e.g. boolean / dense / graph
    if retrievers[name].healthy:
        return retrievers[name].search(query)
    return retrievers["fallback"].search(query)

参数示例

router: small_classifier_or_llm
routes:
  strict_filter: {retriever: boolean_dsl, timeout_ms: 120}
  semantic: {retriever: dense_hnsw, timeout_ms: 400}
  relational: {retriever: graph_khop, timeout_ms: 800}
default_fallback: semantic

常见失败案例

失败模式 1：路由类别漂移（新问法未覆盖），总进错通道。
失败模式 2：高置信走重型检索器，尾部查询成本失控。
失败模式 3：fallback 与主通道结果分布不一致，下游重排假设失效。

Demo 数据带入计算示例

1
2

P(boolean|q)=0.62 → 选 DSL 预筛（快）；若走 dense 需全库向量 780ms，布尔子集检索 510ms。
若 P(graph|q)=0.10 但实为多跳关系题，**路由错误**会导致召回失败——需监控 per-route 命中率。