高级 RAG 模式

高级 RAG 模式本文系统讲解高级 RAG（Retrieval-Augmented Generation，检索增强生成）模式的核心原理、架构设计、关键技术与工程落地方法，适合有一定 RAG 基础、希望深入掌握进阶技术的工程师和技术学习者。 # RAG 概述与演进 ## 什么是 RAG RAG（Retrieval-Augmented Generation，检索增强生成）是一种将**信息检索**与**大语言模型生成**相结合的混合架构。它通过在生成答案前先从外部知识库中检索相关文档，有效解决了纯大语言模型的三大核心痛点： - **知识截止日期限制**：模型无法获取训练数据之后的新知识 - **幻觉问题**：模型在面对不确定信息时容易编造看似合理但错误的内容 - **私有知识无法访问**：模型无法直接获取企业内部文档、个人数据等私有知识 RAG 的基本思想是：**先检索、后生成**。用户提问时，系统先从知识库中召回最相关的文档片段，然后将这些片段作为上下文与问题一起送入大模型，由模型基于检索到的事实生成答案。检索增强生成(RAG):让大模型突破知识边界 ## 从 Basic RAG 到 Advanced RAG Basic RAG（基础 RAG）是最简单的实现形态，通常包含三个核心步骤： 1. **索引阶段**：文档切分 → 向量化 → 存入向量数据库 2. **检索阶段**：用户问题向量化 → 相似度检索 Top-K 片段 3. **生成阶段**：检索片段 + 用户问题 → 大模型生成答案然而在实际生产环境中，Basic RAG 往往面临检索准确率不足、上下文噪声大、复杂问题处理能力弱等问题。Advanced RAG（高级 RAG）正是在 Basic RAG 基础上，通过在**检索前、检索中、检索后、生成中**四个阶段引入一系列增强技术，系统性地提升检索质量和生成效果。一文讲透RAG ## 高级 RAG 的核心价值 **检索更精准** 通过查询改写、混合检索、重排序等技术，大幅提升召回相关文档的准确率，通常可带来 5%\~15% 的效果提升。 **上下文更干净** 通过上下文压缩、相关性过滤、去重等技术，去除冗余和噪声信息，让大模型聚焦于真正相关的内容。 **复杂问题可处理** 通过查询分解、多轮迭代检索、Agentic RAG 等技术，使系统能够处理需要多步推理、跨文档综合的复杂问题。 **答案更可信** 通过引用溯源、自我反思、纠正性检索等技术，有效抑制幻觉，提升答案的事实准确性和可追溯性。 # 高级 RAG 架构全景 ## 整体架构流程高级 RAG 系统可以划分为**四个核心优化阶段**，每个阶段包含多种增强技术。下图展示了高级 RAG 的完整架构流程： ![流程图](https://static.developers.pub/844f7a9bb76a467a9c66250b97a8358f.png) ## 各模块职责说明 | 优化阶段 | 核心目标 | 关键技术 | |-|-|-| | **预检索优化** | 提升查询质量，让检索更有针对性 | 查询改写、查询分解、HyDE、元数据增强、查询路由 | | **检索优化** | 扩大召回范围，提升检索多样性和精度 | 混合检索、分层检索、迭代检索、父文档检索、多模态检索 | | **后检索优化** | 精筛检索结果，净化上下文质量 | 重排序、上下文压缩、相关性过滤、去重、上下文选择 | | **生成优化** | 提升答案质量，抑制幻觉，增强可信性 | 提示工程、引用溯源、自我反思、答案验证、多轮生成 | # 预检索优化（Pre-Retrieval）预检索优化发生在**实际检索之前**，核心目标是提升用户查询的质量和表达力，让后续检索能够更精准地命中相关文档。 ## 查询改写（Query Rewriting）用户的原始查询往往存在**表述模糊、歧义、口语化、关键词缺失**等问题。查询改写通过大语言模型将原始查询重写为更适合检索的形式。 **常见改写策略：** - **歧义消除**：将多义词根据上下文明确化，如"苹果"→"苹果公司"或"水果苹果" - **语义扩展**：补充同义词、相关术语，扩大召回范围 - **结构化改写**：将自然语言问题转化为更规范的检索式 - **多查询生成**：为同一个问题生成多个不同角度的查询，分别检索后合并结果 **实践提示**：查询改写的效果取决于大模型对领域知识的理解程度。在专业领域（如法律、医疗），可以通过 Few-shot 示例引导模型使用专业术语进行改写。 ## 查询分解（Query Decomposition）当用户提出**复杂问题**（需要多步推理、涉及多个主题）时，直接检索往往无法一次性获取所有必要信息。查询分解将复杂问题拆解为多个相对独立的子问题，分别检索后综合答案。 **分解方式：** 1. **顺序分解**：子问题之间存在依赖关系，前一个子问题的答案是后一个子问题的输入 2. **并行分解**：子问题相互独立，可以同时检索，最后合并结果 3. **递归分解**：对子问题继续分解，直到每个子问题都足够简单可直接检索查询分解特别适合处理"比较类"（A 和 B 的区别）、"多跳类"（A 的 CEO 毕业于哪所大学）、"综合类"（总结某主题的发展历程）等复杂问题。检索增强生成(RAG)技术全解析 ## HyDE（假设文档嵌入） HyDE（Hypothetical Document Embeddings，假设文档嵌入）是一种创新的检索增强技术。其核心思想是：**先用大语言模型根据用户问题生成一篇"假设的答案文档"，然后用这篇假设文档的向量表示去检索真实文档。** **为什么 HyDE 有效？** - 用户问题通常**简短且信息密度低**，直接向量化后与长文档的向量空间存在"长度不匹配"问题 - 假设文档是一篇**完整的、信息丰富的文本**，其向量表示更接近真实文档的向量分布 - 大模型生成的假设文档虽然可能包含幻觉，但它捕捉了问题的**语义结构和关键词模式**，有助于检索到语义相似的真实文档 **注意**：HyDE 的假设文档仅用于检索，不会直接作为答案呈现给用户。检索到的真实文档才是最终生成答案的依据。HyDE 会增加一次大模型调用的延迟和成本。 ## 元数据增强元数据增强是指在文档切分和索引阶段，为每个文本块附加丰富的**结构化元信息**，在检索时利用这些元数据进行过滤或加权，提升检索精度。 **常见元数据类型：** | 元数据类型 | 说明与用途 | |-|-| | 文档来源 | 标记文档来自哪个系统、哪个部门、哪个项目，检索时可按来源过滤 | | 时间信息 | 文档创建时间、更新时间、事件发生时间，支持按时间范围过滤和时效性排序 | | 章节结构 | 文本块所属的章节标题、层级路径，帮助理解上下文和定位 | | 作者/权限 | 文档作者、可见范围、安全级别，支持权限控制和按作者筛选 | | 实体标签 | 通过 NER 提取的人名、机构名、产品名等实体，支持实体级检索 | | 文档摘要 | 为每个文本块生成简短摘要，用摘要向量辅助检索，提升语义匹配度 | 元数据增强的关键在于**在检索时有效利用元数据**。常见做法包括：元数据过滤（Pre-filtering / Post-filtering）、元数据加权（将元数据匹配度纳入相似度评分）、混合检索中利用元数据字段进行精确匹配。检索增强生成(RAG)进阶技术详解 # 检索阶段优化（Retrieval）检索阶段是 RAG 系统的核心环节，直接决定了能够获取哪些知识供大模型使用。检索优化的目标是**在保证召回率的同时提升精准度**，并支持处理复杂、多样的查询需求。 ## 混合检索（Hybrid Search）纯向量检索（Dense Retrieval）基于语义相似度匹配，擅长理解查询的语义意图，但在**精确关键词匹配、专有名词、罕见术语**等场景下表现不佳。混合检索将**向量检索**与**关键词检索（如 BM25）**结合，取长补短。 ![流程图](https://static.developers.pub/b5c8ecace8794195b034a2a114810f8c.png) **结果融合策略：** - **RRF（Reciprocal Rank Fusion）**：基于排名的融合方法，对每个结果在不同检索器中的排名取倒数加权求和，无需调参，效果稳定 - **加权线性融合**：为向量检索和关键词检索的相似度分数分别设置权重，线性相加。需要根据场景调参 - **学习排序（LTR）**：训练一个排序模型，将多种检索分数作为特征，学习最优的融合排序方式混合检索在工业界已成为标配方案。例如查询"苹果的产品"时，向量检索能匹配到"iPhone""Mac"等语义相关内容，关键词检索则确保包含"苹果公司"的精确信息不被遗漏。高级RAG技术全景 ## 分层检索（Hierarchical Retrieval）分层检索针对**大规模文档集合**，采用从粗到细（Coarse-to-Fine）的多级检索策略，在保证检索精度的同时控制计算成本。 **典型分层结构：** 1. **文档级检索**：先用文档摘要或文档级向量，从大量文档中筛选出最相关的若干文档 2. **章节级检索**：在筛选出的文档中，定位到相关的章节或小节 3. **段落/句子级检索**：在相关章节中，精确提取最相关的段落或句子片段分层检索的优势在于：**避免在全量细粒度数据上进行昂贵的相似度计算**，同时通过逐级缩小范围，确保最终检索结果既相关又精确。特别适合文档数量庞大、单篇文档较长的场景（如法律文书库、技术文档库、学术论文库）。 ## 迭代检索（Iterative Retrieval）迭代检索（也称为多轮检索）通过**多轮交互**逐步优化检索结果。每一轮检索后，系统分析已获取结果的相关性和充分性，自动生成跟进查询或调整检索策略，直到获得足够的信息或达到最大轮次。 **迭代检索的典型流程：** 1. 使用原始查询进行第一轮检索 2. 分析检索结果：是否覆盖了问题的所有方面？是否存在信息缺口？ 3. 如果信息不足，基于已检索内容和原始问题，生成新的补充查询 4. 用补充查询进行下一轮检索，将新结果与已有结果合并去重 5. 重复步骤 2-4，直到信息充分或达到最大迭代次数迭代检索解决了"一次检索可能不够"的问题，特别适合需要多跳推理、信息分散在多个文档中的复杂问题。RAG夺命10连问 ## 父文档检索（Parent Document Retrieval）父文档检索（也称为父子分块检索）是一种兼顾**检索精度**和**上下文完整性**的分块策略。 **核心思想：** - **细粒度子块用于检索**：将文档切分为较小的子块（如句子级或短段落级），用子块的向量进行检索，确保精准定位相关内容 - **粗粒度父块用于生成**：检索到相关子块后，调取其所属的更大粒度的父块（如完整段落或章节）作为生成上下文，保证上下文的完整性和连贯性这种策略解决了传统固定大小分块的两难困境：块太小则上下文不完整、语义割裂；块太大则检索精度下降、噪声增多。父文档检索通过"用小块检索、用大块生成"的方式，同时兼顾了精度和上下文完整性。高级RAG技术全景 # 后检索优化（Post-Retrieval）后检索优化发生在**检索完成之后、生成之前**，核心目标是对初步检索结果进行精筛和净化，确保送入大模型的上下文是**高质量、高相关、低噪声**的。 ## 重排序（Reranking）重排序是高级 RAG 中**效果最显著、投入产出比最高**的优化技术之一。向量检索基于双塔结构，查询和文档分别编码后计算相似度，虽然效率高但精度有限。重排序使用 Cross-Encoder 架构，将查询和文档拼接后一起输入模型，进行更精细的相关性打分。 ![流程图](https://static.developers.pub/f4a222d306ad4b43b3ad1176700043e4.png) **重排序的工作流程：** 1. 向量检索召回较大数量的候选文档（通常 Top-20 到 Top-50），保证高召回率 2. 将每个候选文档与用户查询拼接，输入 Cross-Encoder 重排序模型 3. 重排序模型输出每个文档与查询的精细相关性分数 4. 按分数重新排序，选取 Top-N（通常 Top-3 到 Top-10）作为最终上下文 **常用重排序模型：**BGE-Reranker、Cohere Rerank、Jina Reranker、bge-reranker-v2 等。重排序通常能带来 **5%\~15%** 的效果提升，是生产环境 RAG 系统的标配组件。RAG 检索增强生成原理与实现笔记 ## 上下文压缩与清洗检索到的文档片段往往包含大量**冗余信息、无关内容、格式噪声**，直接全部送入大模型不仅浪费 Token、增加延迟，还可能干扰模型的判断。上下文压缩技术在保留关键信息的前提下，精简上下文内容。 **常见压缩方法：** - **提取式压缩**：从检索片段中提取与问题最相关的句子或短语，丢弃无关部分。代表方法：LongLLMLingua - **摘要式压缩**：用大模型对检索片段生成简洁摘要，保留核心信息。适合内容较长但核心信息集中的场景 - **选择性上下文**：根据问题类型和重要性评分，动态选择保留哪些检索结果、丢弃哪些 - **去重与合并**：去除多个检索结果中的重复内容，将相似片段合并为更紧凑的表示 **实践建议**：上下文压缩是一把双刃剑——压缩过度可能丢失关键细节，压缩不足则达不到效果。建议根据任务类型设置不同的压缩策略：事实性问答可适度压缩，推理性问题应保留更多上下文。 ## 相关性过滤相关性过滤通过设定阈值或规则，从检索结果中剔除**低质量、不相关**的文档片段，避免噪声进入生成阶段。 **常见过滤策略：** - **相似度阈值过滤**：设定最低相似度分数，低于阈值的结果直接丢弃。阈值需要根据数据集和 Embedding 模型调整 - **内容过滤**：检查检索结果是否包含问题中的关键实体或关键词，不包含则过滤 - **多样性过滤**：通过 MMR（Maximal Marginal Relevance）等算法，在保证相关性的同时增加结果多样性，避免返回大量高度相似的片段 - **长度/质量过滤**：过滤过短（信息不足）、过长（可能噪声多）、或格式异常的文本块 # 生成阶段优化（Generation）生成阶段是 RAG 系统的最后一环，直接决定了用户看到的答案质量。即使检索到了完美的上下文，如果生成阶段处理不当，仍然可能出现幻觉、答非所问、引用错误等问题。 ## 提示工程优化提示词（Prompt）是连接检索上下文与大模型生成的桥梁。精心设计的提示词能够显著提升答案质量。 **RAG 提示词设计的核心原则：** 1. **明确角色定位**：告诉模型它是一个基于给定资料回答问题的助手，不应使用资料以外的知识 2. **清晰的指令结构**：将"系统指令""参考资料""用户问题"明确分区，避免混淆 3. **约束回答行为**：明确要求"如果资料中没有答案，应说明无法回答，不要编造""回答应基于资料中的事实" 4. **指定输出格式**：根据需求指定答案的格式（如分点回答、表格、引用标注等） 5. **Few-shot 示例**：在提示词中提供 1-2 个高质量的问答示例，引导模型按照期望的方式回答 ## 引用与溯源引用溯源是提升 RAG 系统**可信度和可验证性**的关键技术。它要求模型在生成答案时，明确标注每个事实或论断来自哪篇检索文档的哪个位置。 **实现方式：** - **inline 引用标注**：在答案中的相关句子后标注引用来源编号，如"根据研究[1]，..." - **参考文献列表**：在答案末尾列出所有引用的文档标题、来源、链接等信息 - **精确位置定位**：标注引用内容在原文中的具体位置（章节、段落、页码），方便用户核对 - **引用一致性校验**：生成后自动检查答案中的每个引用是否确实支持对应论断，剔除虚假引用引用溯源不仅提升了用户对答案的信任度，也为后续的答案质量评估和错误排查提供了依据。在法律、医疗、金融等高风险领域，引用溯源是必不可少的功能。 ## 幻觉抑制幻觉（Hallucination）是大语言模型的固有问题，即使在 RAG 架构下也难以完全避免。幻觉抑制技术从多个角度减少模型生成不实信息的可能性。 **多层幻觉抑制策略：** | 策略层级 | 技术方法 | 说明 | |-|-|-| | **输入层** | 高质量检索 + 上下文净化 | 确保送入模型的上下文准确、相关、完整，从源头减少幻觉诱因 | | **提示层** | 强约束提示词 + 拒答机制 | 明确要求模型只基于资料回答，资料不足时明确说明，禁止编造 | | **生成层** | 约束解码 + 事实一致性引导 | 在生成过程中引导模型关注上下文，降低生成与上下文矛盾内容的概率 | | **验证层** | 答案校验 + 自我反思 | 生成后检查答案与检索上下文的一致性，发现矛盾则重新生成或标注不可信 | # 高级 RAG 模式变体除了上述在标准 RAG 流程各阶段的优化技术外，学术界和工业界还提出了多种**架构级**的高级 RAG 模式变体，它们从根本上改变了 RAG 的工作方式，以应对更复杂的场景需求。 ![流程图](https://static.developers.pub/27b21fb2b5a14cca9f685929fd8e0860.png) ## Agentic RAG（智能体 RAG） Agentic RAG 是传统 RAG 的智能化演进。它不再使用固定的"检索→生成"单一流水线，而是将大模型作为**智能体（Agent）**，由模型自主决定何时检索、检索什么、是否需要多轮检索、如何整合信息。Microsoft Learn: Agentic RAG **Agentic RAG 的核心能力：** - **上下文感知的查询规划**：利用对话历史和问题上下文，智能规划检索策略，将复杂输入分解为多个聚焦的子查询 - **工具调用能力**：智能体可以调用多种工具（向量检索、关键词搜索、数据库查询、API 调用、代码执行等），根据问题类型选择合适的信息获取方式 - **多步推理与规划**：能够制定多步推理计划，逐步获取信息并综合答案，处理需要跨文档、跨数据源的复杂问题 - **动态决策与反思**：在每一步操作后评估进展，根据中间结果动态调整后续策略，必要时重新检索或换用其他工具 Agentic RAG 特别适合处理**开放式、复杂、需要多步推理**的问题，是当前 RAG 技术发展的重要方向。 ## CRAG（纠正性 RAG） CRAG（Corrective RAG，纠正性检索增强生成）是一种**带质量评估和自动纠错机制**的 RAG 架构。它在检索完成后，先对检索结果的质量进行评估，根据评估结果决定后续动作。RAG夺命10连问 **CRAG 的工作流程：** 1. **检索**：执行常规检索，获取候选文档 2. **质量评估**：使用评估模型判断检索结果与问题的相关度和置信度 3. **分情况处理**： - **高置信度**：检索结果质量好，直接进入生成阶段 - **低置信度**：检索结果质量差，自动触发**补充检索**（如网络搜索、换用其他检索器、扩大检索范围） - **中置信度**：检索结果部分相关，对结果进行**知识精炼**（提取相关部分、丢弃无关部分）后再生成 4. **生成**：基于处理后的上下文生成最终答案 CRAG 的核心价值在于**不盲目信任检索结果**，而是通过质量评估和自动纠错机制，确保生成答案所依据的上下文是可靠的。 ## Self-RAG（自我反思 RAG） Self-RAG（Self-Reflective RAG，自我反思 RAG）通过训练模型输出**反思 Token（Reflection Tokens）**，让模型在生成过程中能够自我评估检索的必要性、检索结果的相关性以及答案的质量，从而实现更可控、更准确的生成。 **Self-RAG 的关键反思 Token：** - **检索决策 Token（Retrieve）**：模型在生成每一段内容前，先判断是否需要检索。如果当前已有信息足够，就直接生成；如果需要外部知识，就触发检索 - **相关性评价 Token（ISREL）**：检索到文档后，模型评价该文档是否与问题相关。不相关的文档会被标记并丢弃 - **支撑性评价 Token（ISSUP）**：生成答案后，模型评价答案是否被检索文档所支撑。如果发现答案与文档矛盾或缺乏依据，会重新生成 - **有用性评价 Token（ISUSE）**：最终评价答案是否对用户有用、是否完整回答了问题 Self-RAG 的优势在于**将质量控制内化到模型自身的生成过程中**，不需要额外的评估模型或复杂的外部逻辑，同时实现了检索的按需触发和答案的自我校验。 ## Modular RAG（模块化 RAG） Modular RAG（模块化 RAG）将 RAG 系统拆解为多个**独立可替换的模块**，每个模块负责特定功能，可以根据场景需求灵活组合、即插即用。 **典型模块划分：** - **索引模块**：负责文档处理、切分、向量化、存储。可替换不同的切分策略、Embedding 模型、向量数据库 - **检索模块**：负责从知识库中召回相关文档。可包含多个检索器（向量检索、关键词检索、图检索等），支持检索器路由和融合 - **重排序模块**：负责对检索结果精排。可替换不同的重排序模型 - **上下文处理模块**：负责上下文压缩、过滤、清洗。可根据场景选择不同的处理策略 - **生成模块**：负责基于上下文生成答案。可替换不同的大模型、提示词模板 - **评估模块**：负责对检索质量和答案质量进行评估。支持多种评估指标和方法模块化 RAG 的优势在于**高度的灵活性和可扩展性**。当需要引入新技术（如新的检索方法、新的模型）时，只需替换对应模块，无需重构整个系统。同时，模块化设计也便于 A/B 测试和性能优化。 # 工程落地与评估 ## 技术选型对比 | 技术组件 | 主流方案 | 适用场景 | 注意事项 | |-|-|-|-| | **Embedding 模型** | OpenAI text-embedding-3、BGE、M3E、GTE | 通用场景选 BGE；多语言选 M3E；有 OpenAI 预算选 text-embedding-3 | Embedding 模型的选择对检索效果影响极大，建议根据领域数据做对比测试 | | **向量数据库** | Milvus、Qdrant、Weaviate、Chroma、PGVector | 大规模生产选 Milvus；轻量级选 Qdrant/Chroma；已有 PG 选 PGVector | 考虑数据规模、查询延迟、运维成本、生态集成等因素 | | **重排序模型** | BGE-Reranker、Cohere Rerank、Jina Reranker | 中文场景选 BGE-Reranker；有 API 预算选 Cohere/Jina | 重排序会增加延迟，建议初检召回 20-50 条，重排后取 3-10 条 | | **大语言模型** | GPT-4o、Claude、DeepSeek、Qwen、GLM | 高质量生成选 GPT-4o/Claude；成本敏感选 DeepSeek/Qwen | 考虑上下文窗口大小、生成质量、延迟、成本、数据安全等因素 | | **RAG 框架** | LangChain、LlamaIndex、Haystack、Dify | 灵活定制选 LangChain；检索优化选 LlamaIndex；低代码选 Dify | 框架只是工具，核心在于对 RAG 原理的理解和各环节的调优 | ## 评估指标体系 RAG 系统的评估需要覆盖**检索质量**和**生成质量**两个维度，建立完整的评估指标体系是持续优化的基础。 **检索质量评估** - **Recall@K**：Top-K 检索结果中包含相关文档的比例 - **Precision@K**：Top-K 检索结果中相关文档所占比例 - **MRR**：第一个相关文档排名的倒数平均值 - **NDCG@K**：考虑排名位置的归一化折损累计增益 - **Hit Rate**：检索结果命中正确答案的比例 **生成质量评估** - **Faithfulness（忠实度）**：答案是否被检索上下文支撑，有无幻觉 - **Answer Relevancy（答案相关性）**：答案是否切题、是否回答了用户问题 - **Context Precision（上下文精度）**：检索上下文中相关信息的比例 - **Context Recall（上下文召回）**：答案所需信息在检索上下文中的覆盖度 - **Hallucination Rate（幻觉率）**：答案中包含不实信息的比例 ## 常见问题与优化方向 1. **检索不到相关文档** - 检查文档切分策略是否合理，尝试调整块大小和重叠 - 考虑使用查询改写或 HyDE 提升查询质量 - 尝试混合检索，补充关键词检索能力 - 评估 Embedding 模型是否适合当前领域数据 2. **检索结果噪声大** - 增加重排序环节，对初检结果精排 - 设置相似度阈值，过滤低相关结果 - 使用上下文压缩，提取关键信息 - 利用元数据进行预过滤 3. **答案存在幻觉** - 强化提示词约束，明确要求只基于资料回答 - 增加答案校验环节，检查答案与上下文的一致性 - 考虑使用 Self-RAG 或 CRAG 等带自我纠错的架构 - 提升检索质量，确保上下文包含足够的正确信息 4. **系统延迟过高** - 优化向量数据库查询性能（索引类型、缓存策略） - 控制重排序的候选数量，平衡效果与延迟 - 考虑使用更小更快的 Embedding 和重排序模型 - 对高频问题建立缓存，避免重复检索和生成 # 总结与展望高级 RAG 模式通过在**预检索、检索、后检索、生成**四个阶段引入一系列增强技术，以及 Agentic RAG、CRAG、Self-RAG、Modular RAG 等架构级创新，系统性地解决了 Basic RAG 在实际应用中面临的检索不准、上下文噪声、复杂问题处理弱、幻觉等核心问题。未来 RAG 技术的发展趋势包括： - **更智能的 Agentic RAG**：大模型作为智能体，自主规划和执行复杂的多步信息获取与推理任务 - **多模态 RAG**：支持文本、图像、表格、音视频等多种模态的统一检索与生成 - **端到端优化**：将检索与生成更紧密地耦合，通过联合训练实现端到端的效果优化 - **可解释性增强**：提供更透明的检索和生成过程可视化，让用户理解答案是如何得出的 - **隐私与安全**：在检索和生成过程中更好地保护数据隐私，防止敏感信息泄露掌握高级 RAG 模式的原理和技术，是构建高质量、生产级大模型应用的关键能力。建议在实践中根据具体场景需求，有选择地组合使用各项技术，并通过持续的评估和迭代不断优化系统效果。 # 参考文献 1. [A Comprehensive Survey of Retrieval-Augmented Generation (RAG): Evolution, Current Landscape and Future Directions](https://arxiv.org/pdf/2410.12837v1) 2. [一文讲透RAG - 掘金](https://juejin.cn/post/7622984298779459625) 3. [高级RAG技术全景:从原理到实战 - CSDN](https://blog.csdn.net/m0_63309778/article/details/149396526) 4. [RAG 检索增强生成原理与实现笔记 - CSDN](https://blog.csdn.net/weixin_51762789/article/details/162238989) 5. [Microsoft Learn: Retrieval augmented generation (RAG) and indexes](https://learn.microsoft.com/fil-ph/azure/foundry/concepts/retrieval-augmented-generation) 6. [NVIDIA: What Is Retrieval-Augmented Generation (RAG)?](https://www.nvidia.com/en-us/glossary/retrieval-augmented-generation/) 7. [Advanced RAG Techniques - GitHub](https://github.com/NirDiamant/rag_techniques) 8. [RAG夺命10连问 - 博客园](https://www.cnblogs.com/12lisu/p/19921242) 9. [检索增强生成(RAG)技术全解析 - CSDN](https://blog.csdn.net/XXQuagmireXX/article/details/151753184) 10. [检索增强生成(RAG)进阶技术详解 - CSDN](https://blog.csdn.net/weixin_44733966/article/details/146548113)

高级 RAG 模式

关联知识库

高级 RAG 模式

关于作者 📝

关联知识库

目录

评论