在构建RAG应用的过程中，许多团队常常将精力倾注于内容解析、文本分块等技术细节，反复调参、优化流程，却往往忽略了一个最基础也最关键的问题——知识库的规模究竟会对检索性能产生多大的影响？

AI工具公司EyeLevel.ai的数据科学家Daniel Warfield与IBM前高级工程师Dr. Benjamin Fletcher，在规模化研究RAG技术时发现了一个值得警惕的现象：向量搜索的准确性会随着数据量的增加而显著下降。具体来说，当文档数量仅为10,000页时，搜索精度就已开始出现明显下滑；而一旦文档数量攀升至100,000页，性能损失直接飙升至12%。这一数字绝不可小觑。

他们借助Pinecone向量数据库，搭配LangChain和LlamaIndex两种主流RAG框架进行了测试。测试方案设计得十分清晰：

• 定义了92个基于真实世界文档的问题。
• 准备了四个文档集，每个集合都包含相同的310页核心文档——这些文档中藏有那92个问题的答案。
• 在核心文档的基础上，逐步加入无关文档，构成四个测试集：1,000页、10,000页、50,000页和100,000页。

这张图直观地展示了每个文档集中相关页面（蓝色）与无关页面（红色）的比例变化。

测试结果更值得深入分析：

• 在1,000页的文档集上，三种方法的性能几乎没有差别，表现都很稳定。
• 到了10,000页，LangChain和LlamaIndex这两种简单RAG方案的准确率便开始下降，降幅约为5%。
• 50,000页时，降幅进一步扩大，接近10%。
• 待到100,000页这一量级，性能损失已达到12%。

研究团队分析，问题可能出在向量搜索本身——现有编码器在处理大规模文档集时，很难将信息“有意义地”组织到向量空间之中。理论上，1536维的向量空间所能描述的内容数量远超宇宙中的原子数，容量根本不是瓶颈。但在实际落地时，如何让信息在向量空间里形成清晰的语义结构，才是真正的难点。简单来说，文档一多，向量空间就会变得“杂乱无章”，基于余弦相似度或欧氏距离的搜索策略便显得力不从心。

值得注意的是，同样是面对大规模数据，GroundX给出了另一种思路——直接采用基于语义对象相似性的比较方法，绕开了原始向量的距离计算。在同样的测试中，即使文档量达到100,000页，它的准确率也只下降了约2%，稳定性明显高出一截。

这个现象其实非常符合直觉。就像一个小团队，成员之间信息越丰富越有利于高效决策；但团队一旦扩张到几百人，无关的上下文反而会变成信息负担，拖慢整体效率。知识库也是同样的道理：不仅要控制质量，也要控制数量。在text2sql实践中，加入选表模型正是为了缓解这类问题——随着知识库越建越大，如何拆分它、如何更精准地定位到相关的分库，将越来越成为核心挑战。

从实践层面来看，混合检索是克服这类问题的有效手段之一。不仅要使用向量检索，还要结合文本检索。这其中就包括“上下文检索”等方案，通过同时利用关键词和语义信息，来提升在大规模数据下的召回准确性。