RAG
2025/10/25小于 1 分钟
RAG
RAG流程
文档索引阶段:文档加载 -> 文本分块 -> 向量化 -> 存储
检索与生成阶段:用户查询 -> 向量化 -> 检索 -> 构建prompt -> 生成答案
RAG优化方法
检索前:
1)采用合适的文本分块策略
2)查询重述,多查询
3)假设文档嵌入(HyDE)
检索中:
1)混合检索:BM25 + 向量相似度检索
检索后:
1)rrf:多排名融合算法
2)使用reranker模型进行精排
RAG评估方法
人工评估:由运营部门人工测试
技术评估:召回率,精确率,F1分数,上下文相关程度
GraphRAG
基于知识图谱的RAG技术,可以基于实体和关系进行多跳推理,对复杂的全局性和推理性检索任务
1)可以基于产品的分类,属性,标签来进行推理,检索更精确
2) 可以捕捉产品之间的隐含关系,减少大模型的幻觉
3)相比较传统文档检索,返回的数据是结构化的,响应速度更快,用户体验更好