Advanced RAG - RAG的进阶之路（一）

Advanced RAG - RAG的进阶之路（一）

上篇文档主要是在学习Naive RAG时候整理的知识结构，而今天刚刚完成了Advanced RAG（进阶版）的学习，同样整理出来供大家参考~

一、RAG 系统的基础架构与演进脉络

Naive RAG：基础检索生成框架

对上篇文档做一个简单的小结：早期的 Naive RAG 架构遵循简单的 “检索 - 生成” 逻辑：用户查询直接触发文档索引检索，将检索结果结合用户Query丢给LLM 生成答案。这种架构的核心流程包括：

• 文档预处理：将非结构化文本分割为 Chunk 单元；
• 向量索引构建：通过 Embedding 模型生成语义向量并存储于向量库；
• 检索执行：基于余弦相似度等算法获取相关文档；
• 答案生成：LLM 结合检索上下文生成回答；

二、为什么会有Advanced RAG？

假如你正在面试AI产品经理，面试官面无表情的走进来，然后看到你的简历上写着精通RAG应用，本来"精通"是你简历上的加分项，但是此时可能是个坑，于是面试官抬头笑眯眯的看着你"你好（niuma），看你简历上写精通RAG，那我可就要好好考考（weinan）你了，请你详细介绍RAG是什么？"

于是你很是轻松巴拉巴拉说出Naive RAG的定义及整个流程，问题是回答对了，但是在我第一篇文章里写到了Naive RAG系统的常见痛点问题（文本向量化、检索增强），那么Naive RAG能解决吗？面试官又会接着问"对于RAG系统中常见的痛点问题，你具体是怎么解决的呢？"

那么这里就需要说明下Advanced RAG的作用了，而进阶版 Advanced RAG 就是在 Naive 架构基础上引入全流程优化节点，形成更智能的闭环系统：

三、Advanced RAG的基本内容

• 预检索优化：Advanced RAG注重优化索引结构和查询方式，主要是：
  • 优化索引：提高被索引内容的质量，包括增强数据颗粒度、优化索引结构、添加元数据和对齐优化等策略；
  • 查询优化：明确用户的原始问题，使其更适合检索任务，使用了查询重写、查询转换、查询扩展等技术；
• 检索优化：当前一般有两种方法：
  • 微调模型：如将嵌入模型定制为特定领域的上下文，特别是对于术语不断演化或罕见的领域；
  • 混合搜索：通常是指将向量搜索与基于关键字的搜索相结合；
• 后检索过程优化：对于由问题检索得到的一系列上下文，后检索策略关注如何优化它们与查询问题的集成，主要包括：
  • 重排序：对初步检索到的文档列表进行精细化排序，将最相关的文档排到最前面；
  • RAG-Fusion：克服单一查询的局限性，利用查询改写/扩展来挖掘用户潜在意图，融合多路检索结果，找到更多相关文档。
  • 上下文压缩（Context Compression）：减少输入给 LLM 的上下文长度，聚焦关键信息，去除冗余和噪声，同时节省计算资源并可能提升生成效果（避免“大海捞针”问题）。

除冗余和噪声，同时节省计算资源并可能提升生成效果（避免“大海捞针”问题）。

通俗点来说就是Advanced RAG就是对检索前、检索中、检索后做优化，通过引入更多中间处理模块，将 “粗放检索” 升级为 “智能筛选”，显著提升复杂查询场景下的回答准确率。