关于使用RAG与向量搜索枚举指定条件产品的可行性问询

我拥有一个包含近2000份产品描述文档的Qdrant实例，希望通过类似“枚举所有2021年后生产的产品”的查询获取结果，但目前仅返回单个产品。现咨询：使用RAG（搭配OpenAI嵌入）是否是实现该需求的正确方式？

RAG搭配OpenAI嵌入能实现这类需求，但并非最优解，具体分析如下：

• 常规的文本嵌入+向量检索核心是语义相似度匹配，更适配模糊语义类查询（比如“推荐适合户外使用的便携音箱”），但面对“2021年后生产”这类精确范围筛选，它会优先返回与查询语义最贴近的少数结果，而非遍历所有符合条件的文档，这就是你当前仅拿到单个产品的原因。
• 若产品描述中明确包含生产年份这类结构化信息，更高效的方案是：
  1. 导入Qdrant时，将生产年份作为结构化元数据字段存入向量库
  2. 查询时先通过元数据过滤（例如执行filter={"year": {"gt": 2021}}）筛选出所有符合时间条件的文档，再结合RAG做后续语义优化或内容提取
• 要是生产年份信息藏在非结构化的产品描述文本中，RAG就有了用武之地：可以先借助大模型从每份文档中提取生产年份并存入元数据字段，再按上述方式进行过滤；或是在查询环节，让大模型先解析查询的筛选条件，再结合向量检索与条件匹配返回全部符合要求的结果。

内容的提问来源于stack exchange，提问作者user3471528