一本详解15种高级RAG技术的使用手册-CSDN博客

本文链接：https://blog.csdn.net/m0_59163425/article/details/147784932

深入探讨了15种高级的检索增强生成（Retrieval-Augmented Generation, RAG）技术，旨在提高生成式人工智能系统在输出质量和整体性能鲁棒性方面的优化。

涉及15种高级RAG技术的整体架构

检索前技术（Pre-Retrieval Techniques）

优化数据索引或知识库中的信息质量和可检索性。
包括提高信息密度、应用分层索引检索、改善检索对称性、使用假设问题索引和数据去重等。

分层索引检索技术

chunking策略

检索技术（Retrieval Techniques）

检索优化技术，目标是在推理时提高搜索性能和检索结果。
包括优化搜索查询、使用假设文档嵌入（HyDE）解决查询-文档不对称问题、实施查询路由或RAG决定者模式等。

HyDE技术

查询路由技术

检索后技术（Post-Retrieval Techniques）

检索后优化，即在检索发生后但在最终响应生成前的策略或技术。
包括使用重新排名模型优化搜索结果的优先级、使用上下文提示压缩优化搜索结果、通过修正性RAG评分和过滤检索文档等。

生成技术（Generation Techniques）

生成优化，关注于生成最终用户响应的LLM调用的改进。
包括调整提示、确定插入生成提示的最佳文档数量、通过思维链提示调出噪声、使用Self-RAG使系统自反性等。
- Self-RAG：给定一个输入提示和之前的生成内容，Self-RAG首先确定是否通过检索到的段落来增强持续生成的内容会有所帮助。如果是这样，它会输出一个检索标记，按需调用检索模型。随后，Self-RAG同时处理多个检索到的段落，评估它们的相关性，然后生成相应的任务输出。接着，它生成批判性标记来批评自己的输出，并根据事实准确性和整体质量选择最佳输出。

其他考虑因素（Other Considerations）

包括输入和输出的防护措施、评估RAG系统、降低幻觉率等。

使用手册详情

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述