大模型——基于混合检索重排序策略的大模型增强方法

基于混合检索重排序策略的大模型增强方法

核心研究问题

如何优化检索增强生成（RAG）技术，特别是在知识库存储方式和检索结果重排序策略上，以显著提升大语言模型（LLM）在事实性问答任务中的准确率。

主要发现与贡献

1. 知识库存储方式至关重要：段落切分优于固定长度切分

   • 问题： 传统RAG系统常将知识库切分为固定长度（如256、512、1024字符）的文本块进行向量存储和检索。这种方式虽然处理效率高，但破坏了文本的自然段落结构信息。

   

   • 发现： 实验证明，将知识库按自然段落结构切分存储，相比固定长度切分，能大幅提升LLM依据检索知识回答问题的准确率（在多个模型上提