按数据流向排查：第一层检索不到——分块不合理（语义被切断）、嵌入模型与领域不匹配、用户查询与文档措辞差异大（用查询改写、HyDE 桥接）、top-k 太小；第二层检索到但没排前——加混合检索和 rerank，检查元数据过滤是否误伤；第三层检到了但模型没用好——上下文过长导致'中间遗忘'（精简到最相关的 3-5 块并排序）、提示模板没要求基于资料回答和引用来源、模型能力不足或 temperature 过高；第四层问题本身不适合 RAG——需要全库聚合的统计类问题（'一共多少条'）检索式架构天生不行，应路由到 SQL/工具。
方法论：建评测集量化各环节指标，先修最短板；保留 badcase 库做回归。
易错点：一上来就换更大模型，但多数 RAG 质量问题出在检索侧；盲目增大 top-k 会引入噪声降低忠实度。追问方向：GraphRAG（知识图谱增强）解决什么传统 RAG 做不了的问题（多跳关系推理、全局总结）？Agentic RAG 的按需多轮检索适合什么场景？