RAG架构演进
从基础RAG到Advanced RAG，再到Modular RAG，检索增强生成技术不断演进，解决幻觉、召回率、上下文长度等挑战。
Naive RAG
简单的检索-生成流程
Advanced RAG
检索前后优化、重排序
Modular RAG
模块化、可组合架构
混合检索策略
结合向量检索和关键词检索，兼顾语义理解和精确匹配：
- 向量检索：语义相似度，理解同义表达
- 关键词检索：精确匹配，适合专有名词
- 融合排序：RRF（Reciprocal Rank Fusion）合并结果
查询改写与扩展
通过多种技术提升检索相关性和覆盖率：
- HyDE：生成假设性答案辅助检索
- 查询分解：复杂问题拆分为子问题
- 查询扩展：生成多个相关查询变体
- 多路查询：从不同角度检索信息
重排序优化
检索后使用更强的模型对结果重新排序：
- Cross-Encoder模型精准计算相关性
- Cohere Rerank等API服务
- LLM-based重排序
GraphRAG进阶
将知识图谱与向量检索结合，实现结构化和非结构化知识的融合检索。特别适合需要理解实体关系的问答场景。