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、基于語義的文檔切分、文檔塊摘要。
• 文本嵌入模型：基于新語料微調(diào)嵌入模型、動態(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。
• 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query召回的文檔塊集合進行處理，比如：元數(shù)據(jù)過濾[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 知識圖譜（KG）進行上下文增強？
3.1.1 典型RAG架構(gòu)中，向量數(shù)據(jù)庫進行上下文增強 存在哪些問題？
向量數(shù)據(jù)庫進行上下文增強 存在問題：
1. 無法獲取長程關(guān)聯(lián)知識
2. 信息密度低（尤其當(dāng)LLM context window較小時不友好）
3.1.2 如何利用 知識圖譜（KG）進行上下文增強？
• 策略：增加一路與向量庫平行的KG（知識圖譜）上下文增強策略。
