RAG服务压测方法：拆分检索、重排与生成阶段的延迟

适用目标

定位RAG系统到底慢在向量检索、重排、提示词拼接还是模型生成。本文面向已经能够使用Linux命令行、但需要把环境做成可重复交付的工程人员。操作前先备份现有配置，并记录硬件型号、系统内核和当前软件版本。

准备工作

准备固定问答集、不同文档规模、真实并发分布和可追踪请求ID。建议建立独立测试目录和变更记录，所有命令、镜像标签、配置文件与测试结果都写入同一份实施日志。生产机器不要边排错边无记录升级。

实施步骤

分别测嵌入、检索、重排和生成。

记录召回文档数与token数。

控制变量比较top-k。

测试冷缓存和热缓存。

逐级增加并发。

抽查答案引用与正确性。

分析P50/P95/P99。每完成一步立即保存输出，出现异常时只回退最近一项变更。

常见误区

只测端到端无法定位瓶颈。

提高top-k可能同时增加重排和生成成本。

缓存会让测试结果过于乐观。如果现象与预期不符，应缩小到最小复现环境，不要直接在完整业务栈中猜测原因。

验证与验收

每阶段延迟可分解，容量拐点明确，答案质量未因优化明显下降，失败请求有原因分类。除一次性功能验证外，至少重复三次并进行重启复测。性能类任务必须固定输入、输出和并发口径，同时记录P50、P95和失败率。

交付清单

交付物应包含版本清单、配置文件、启动与停止命令、监控入口、已知限制、故障处理步骤和回滚方法。只有其他工程师能够依据文档重新完成部署，教程才算真正可执行。

可复现实施记录

本节把“RAG服务压测方法：拆分检索、重排与生成阶段的延迟”落到可以复核的操作边界。测试对象是RAG 服务压测。实施前先冻结硬件清单、系统镜像、依赖版本、模型版本和业务参数，并给每次验证分配独立记录编号。准备可重复的问题集并标记答案证据，分别压测检索、重排、生成和完整链路；固定索引版本、模型参数与并发曲线。

验收数据怎么记录

不要只记录一次成功截图。冷启动和预热后各运行三轮，表格至少包含测试时间、并发数、输入长度、输出长度、首 Token 延迟、P50/P95 总延迟、吞吐、CPU、内存、GPU 显存、GPU 利用率、错误码与日志位置。同时记录召回率、引用命中率、首 Token、P95 延迟、Token 吞吐和失败率；不能只追求 QPS，答案缺少来源或检索退化同样判定失败。

变更与回退

上线时保留上一版镜像、配置和模型版本，先让少量真实请求进入新实例。若 P95 延迟上升超过 20%、连续错误率超过 1% 或出现无法解释的结果偏差，立即停止扩容新版本并切回旧实例。回退后仍需保存失败现场，不能用重启覆盖日志。文中的参数是复现起点，最终阈值应由实际业务请求和硬件测量结果确定。