2025年3月24日 · 最近推出的课程 构建和评估高级 RAG 中，以及 LlamaIndex 和评估框架 Truelens ，他们提出了RAG 三元组评估模式 — 分别是对问题的检索内容相关性、答案的基于性（即大语言模型的答案在多大程度上被提供的上下文的支持）和答案对问题的相关性。

2024年12月4日 · 基于RAG的知识问答：包括用户query嵌入、召回、排序、拼接文档、构建context、基于query和context构建prompt、将prompt喂给大模型生成答案。 RAG的工作原理 问题理解和检索阶段 ：RAG模型接收到用户的问题或请求后，利用检索模块从预定义的知识库或文档集 …

基于此，大模型的RAG（Retrieval-Augmented Generation，检索增强生成）技术迅速崛起，成为有效破解这一难题的主流解决方案。 然而用户的实际需求和数据是多样的，导致通用RAG在实践中仍面临多重挑战，如检索信息缺失、复杂PDF解析困难、无法提取特定内容、格式 ...

RAG之前先做query分类 不是每个query需要召回增强，有些可以直接用大模型回答，例如摘要、续写、翻译等。query分类的目的是过滤和分流，把需要RAG的query送入RAG，把不需要RAG的query直接送入大模型。

总之RAG技术就像是一个“侦探+编剧+导演+编辑+老板+专家+新闻主播+裁缝+翻译官+服务员”的组合体，你得让它既能精准检索，又能自然生成，还得随时调整优化。用好了，它就是你的超级助手；用不好，它可能会给你编出一堆“恐龙发明Wi-Fi”的离谱故事！

2025年3月6日 · Graph RAG是一种基于知识图谱的检索增强技术，通过构建图模型的知识表达，将实体和关系之间的联系用图的形式进行展示，然后利用大语言模型 LLM进行检索增强。 Graph RAG 将知识图谱等价于一个超大规模的词汇表，而实体和关系则对应于单词。

RAG（检索增强生成）是近期几个大模型应用方向上 最难下笔的一个，一方面是因为技术方案仍在快速迭代；另一方面是市场对它的认知还存在一定偏差。目前市场认为：chatBI（让大模型做数据查询和分析）很有用但是有难度；Agent（让大模型自助规划任务实现 ...

2025年2月5日 · 这里之所以强调是官方渠道，是因为，接入DeepSeek的第三方渠道，质量参差不齐，尤其一些披着“推理”外衣的“RAG”模型大行其道，由于RAG数据源的信息本身就不准确，且还夹带私活，比如自媒体的广告，所以导致被接入的DeepSeek在打开联网模式后，数据源被 ...

rag 是一种很有前途的提高 llm 准确性和可靠性的方法，具有事实依据、减少偏见和降低维护成本等优点。 虽然未知识别和检索优化等领域仍然存在挑战，但正在进行的研究正在突破 RAG 功能的界限，并为更值得信赖和信息丰富的LLM应用铺平道路。

rag技术的重要性：rag通过结合llms的生成能力和外部数据检索来提高回答的准确性，但在处理长文本和噪声信息时仍面临挑战。 现有RAG方法的局限性 ：现有RAG方法忽视了系统状态变量的引入，这些变量对于确保自适应控制、检索停止和系统收敛至关重要。