基于LangChainRAG系统优化实践：高级RAG原理与应用.pdfVIP

本章又名：基于LangChain的RAG系统优化实践（二）

高级RAG原理

概述

AdvancedRAG重点聚焦在检索增强，即优化Retrieval阶段。增加了Pre‑Retrieval预检索和Post‑Retrieval后检索

阶段。

基于朴基础RAG，高级RAG主要通过预检索策略和后检索策略来提升检索质量，同时对检索本身也有优化。。

预检索过程**优化/检索前优化**

高级RAG着重优化了索引结构和查询的方式。优化索引旨在提高被索引内容的质量，包括增强数据颗粒度、优化索引

结构、添加元数据、对齐优化等策略。查询优化的目标则是明确用户的原始问题，使其更适合检索任务，使用了查询重

写、查询转换、查询扩展等技术。

检索优化

检索阶段的目标是确定最相关的上下文。通常，检索基于向量搜索，它计算查询与索引数据之间的语义相似性。因此，

大多数检索优化技术都围绕嵌入模型展开，比如微调嵌入模型，将嵌入模型定制为特定领域的上下文，特别是对于术

语不断演化或罕见的领域。

还有其他检索技术，例如混合搜索，通常是指将向量搜索与基于关键字的搜索相结合的概念。

后检索过程**优化/后检索优化**

对于由问题检索得到的一系列上下文，后检索策略关注如何优化它们与查询问题的集成。这一过程主要包括重新排序

和压缩上下文。重新排列检索到的信息，将最相关的内容予以定位标记，这种