目前RAG还在快速发展,本帖总结了目前流行的五种思路。进一步讨论请留言
——————-
RAGFlow的做法:加权求和,缺点较为明显(当其中一种检索方式给出的完全不准确时,会影响到整体的结果)
DIFY的做法:同时执行全文检索和向量检索,并应用重排序步骤,从两类查询结果中选择匹配用户问题的最佳结果,需配置 Rerank 模型 API。
Elasticsearch的做法:基于向量检索和全文检索进行多路召回,然后用线性加权总和基于结果倒数的融合排序(RRF)两种方式。
百度智能千帆:在检索问答时通过知识点来索引到对应的切片,大模型根据切片内容生成答案,开启知识增强会调用大模型抽取更加丰富的知识点,增加切片的召回率。
Kimi的做法:增强模型输入的上下文大小,以减少对文档切片的次数。这样会降低匹配中目标切片的难度。
#RAG #检索增强 #搜索引擎 #算法工程师 #计算机专业