資料內(nèi)容：
一、RAG 有哪些優(yōu)點(diǎn)？
1. 向量搜索融合：RAG通過將向量搜索功能與生成模型相結(jié)合，引入了一種新穎的范式。這種融
合使大型語(yǔ)言模型（LLM）能夠生成更豐富、更具上下文意識(shí)的輸出。
2. 減少幻覺現(xiàn)象：RAG顯著降低了LLM產(chǎn)生幻覺的傾向，使生成的文本更加基于數(shù)據(jù)。
3. 個(gè)人和專業(yè)效用：從個(gè)人應(yīng)用（如瀏覽筆記）到更專業(yè)的集成，RAG在提高生產(chǎn)力和內(nèi)容質(zhì)量
方面展示了其多功能性，同時(shí)基于可信的數(shù)據(jù)來(lái)源。
二、RAG 存在哪些局限性？
1. 當(dāng)前搜索技術(shù)的限制：RAG受到限制的方面與我們的檢索式基于詞匯和向量的搜索技術(shù)相同。
2. 人類搜索效率低下：人類在向搜索系統(tǒng)輸入他們想要的內(nèi)容時(shí)并不擅長(zhǎng)，如打字錯(cuò)誤、含糊的
查詢或詞匯有限，這常常導(dǎo)致錯(cuò)過那些超出顯而易見的頂部搜索結(jié)果的大量信息。雖然RAG有
所幫助，但它并沒有完全解決這個(gè)問題。
3. 搜索的過度簡(jiǎn)化：我們普遍的搜索范式是將查詢線性映射到答案，缺乏理解人類查詢的多維
性。這種線性模型通常無(wú)法捕捉更復(fù)雜用戶查詢的細(xì)微差別和上下文，導(dǎo)致結(jié)果相關(guān)性較低。
三、為什么 需要 RAG-Fusion？
它解決了RAG固有的限制，通過生成多個(gè)用戶查詢并重新排序結(jié)果。利用逆向排名融合和自定義
向量評(píng)分加權(quán)進(jìn)行綜合、準(zhǔn)確的搜索。
RAG-Fusion旨在彌合用戶明確詢問與他們意圖詢問之間的差距，更接近于發(fā)現(xiàn)通常隱藏的變革性
知識(shí)。
