資料內(nèi)容：
一、RAG基礎(chǔ)功能篇
1.1 RAG 工作流程
從RAG的工作流程看，RAG 模塊有：文檔塊切分、文本嵌入模型、提示工程、大模型生成。
二、RAG 各模塊有哪些優(yōu)化策略？
• 文檔塊切分：設(shè)置適當(dāng)?shù)膲K間重疊、多粒度文檔塊切分、基于語(yǔ)義的文檔切分、文檔塊摘要。
• 文本嵌入模型：基于新語(yǔ)料微調(diào)嵌入模型、動(dòng)態(tài)表征。
• 提示工程優(yōu)化：優(yōu)化模板增加提示詞約束、提示詞改寫(xiě)。
• 大模型迭代：基于正反饋微調(diào)模型、量化感知訓(xùn)練、提供大context window的推理模型。
此外，還可對(duì)query召回的文檔塊集合進(jìn)行處理，比如：元數(shù)據(jù)過(guò)濾[7]、重排序減少文檔塊數(shù)量[2]。
三、RAG 架構(gòu)優(yōu)化有哪些優(yōu)化策略？
3.1 如何利用 知識(shí)圖譜（KG）進(jìn)行上下文增強(qiáng)？
3.1.1 典型RAG架構(gòu)中，向量數(shù)據(jù)庫(kù)進(jìn)行上下文增強(qiáng) 存在哪些問(wèn)題？
向量數(shù)據(jù)庫(kù)進(jìn)行上下文增強(qiáng) 存在問(wèn)題：
1. 無(wú)法獲取長(zhǎng)程關(guān)聯(lián)知識(shí)
2. 信息密度低（尤其當(dāng)LLM context window較小時(shí)不友好）
3.1.2 如何利用 知識(shí)圖譜（KG）進(jìn)行上下文增強(qiáng)？
• 策略：增加一路與向量庫(kù)平行的KG（知識(shí)圖譜）上下文增強(qiáng)策略。
