对于 RAG（检索增强生成）系统而言，可接受的检索器召回率范围通常在 80% 至 95% 之间，具体取决于应用领域。召回率衡量检索器找到所有解答问题所需相关文档的能力。一个旨在“大多数时候”正确回答问题的系统需要足够高的召回率，以免遗漏关键信息，但又不能过高，以免检索过多不相关的文档，从而可能混淆生成器。例如，一个通用问答系统可能目标召回率为 85-90%，以平衡覆盖范围和噪音。较低的召回率（如 80%）可能导致遗漏关键细节，而接近完美的召回率（95% 以上）通常需要权衡延迟或计算成本，因为需要检索更多文档。
领域要求对理想范围有很大影响。在医疗或法律等高风险领域，召回率应偏向高端（90-95%）。例如，用于诊断问题的医疗 RAG 系统必须检索所有相关的研究或指南，以避免有害的遗漏。相反，零售产品的客户支持聊天机器人可以容忍 80-85% 的召回率，因为遗漏细微的产品细节不太关键，响应可以回退到“联系支持”等选项。在软件文档等技术领域，85-90% 的召回率是实用的——确保找到大多数 API 参考，而不会用过时或不相关的代码示例淹没生成器。
实现选择也会影响可实现的召回率。仅使用密集向量搜索的系统可能达到 80-90% 的召回率，但将其与关键字搜索相结合（混合检索）可以将召回率推高到接近 95%，弥补语义相似性失败的情况。知识库的大小和结构也很重要：一个小型、组织良好的语料库（例如公司的内部文档）可以在检索文档较少的情况下实现更高的召回率，而一个庞大、非结构化的语料库（例如互联网规模的数据）可能需要调整以平衡速度和准确性。调整检索文档的数量（例如从 5 个到 20 个）和使用重排序器可以进一步优化针对特定用例的平衡。