医疗RAG实测：文档“形态”胜过模型微调，数据工程才是性能天花板

核心事件

一位开发者针对合成的医疗诊所数据库（涵盖患者、医生、病历及账单等复杂关联）进行了RAG性能基准测试。实验证明，相比于升级大模型或微调参数，将结构化数据转换为“叙事性文本”的文档形态（Document Shape）对检索准确率的提升最为显著。

• ▶ 数据形态决定成败：将数据库中的多表关联行转化为描述性的自然语言段落，比原始的JSON或CSV格式更能有效激发Embedding模型的语义索引能力。
• ▶ 语义检索的“关系”盲区：传统RAG在处理跨表关联（如“某医生的所有患者”）和数值聚合（如“预约总数”）时表现乏力，单纯增加上下文长度无法解决结构化逻辑缺失的问题。
• ▶ 模型边际效应递减：在数据未经过优化处理时，从Llama 3 8B升级到70B带来的准确率提升，远不及对底层数据进行“叙事化”重构带来的收益。

八卦洞察

目前大模型行业存在一种“算法迷信”，开发者往往将精力耗费在尝试各种SOTA（顶尖）的Embedding模型或重排序（Rerank）算法上，却忽视了RAG本质上是“语义对齐”游戏。由于主流Embedding模型主要基于自然语言语料训练，它们对结构化数据（如数据库表）的表征能力天然弱于叙事性文本。本案例揭示了一个残酷的现实：在企业级RAG应用中，最有效的调优手段往往不是AI算法，而是回归到最朴素的数据工程——如何把冷冰冰的机器数据“翻译”成人类可理解的故事。

行动建议

针对处理结构化或半结构化数据的RAG项目，建议优先实施“叙事化预处理”（Narrative Pre-processing），而非盲目追求长文本窗口。在索引阶段，应利用LLM将数据库行预先转化为描述性摘要；对于涉及计数、求和或复杂多表查询的场景，必须引入Text-to-SQL或图增强（Graph RAG）作为补充，单纯依靠向量检索（Vector Search）无法突破关系型逻辑的瓶颈。