RAG（Retrieval-Augmented Generation）全攻略，涵盖分块、检索、生成与评估的核心技巧，助力打造高效智能问答系统。
• 基础原理：利用向量索引对文档块进行快速匹配，避免LLM“幻觉”，提升回答准确性。
• 核心分块方法：支持多种文本拆分策略，兼顾上下文完整性与检索效率。
• 高级检索技巧：
– 基础索引+元数据强化检索精度
– 父子块关联检索，提升上下文关联性
– 查询转写与路由，多角度覆盖检索需求
– 混合搜索（融合排名）结合稀疏与稠密索引优势
– 层级索引与句窗检索，捕捉多粒度信息
– HyDE和智能代理路由，实现更智能的检索路径规划
• 生成优化方法：
– 信息压缩减少噪音与上下文冗余
– 生成器微调确保输出与检索文档高度一致
– 结果重排序缓解LLM中间输出偏差
– 适配器机制高效融合检索与生成模块
• 评估维度：
– 噪声鲁棒性、负面拒绝与反事实鲁棒性保障系统稳健
– 信息整合能力与上下文相关性是关键质量指标
– 答案相关性与忠实度确保回答的准确与可靠
– 主流评估框架覆盖多维度性能考核（RGB、RECALL、RAGAS等）
深入理解RAG本质，从拆解信息、智能检索到精准生成，打造可持续迭代的问答系统框架。
RAG 检索增强生成 自然语言处理 人工智能 机器学习 语义检索
