RAG技术汇总笔记

FareedKhan-dev/all-rag-techniques: Implementation of all RAG techniques in a simpler way的笔记，方便后续查阅。

简单RAG Simple RAG

简单RAG流程：文本提取 → 文本分块 → 文本嵌入生成 → 语义检索 → 生成回答 → 答案评测

chunk之间会有overlap部分（提升检索准确性）

语义分块 Semantic Chunking

文本提取 → 句子级分割和嵌入生成 → 相似度计算和分割点设置 → 语义分块 → 块级嵌入生成 → 语义检索 → 生成式问答 → 答案评测

基于语义的文本分块分割点设置方法有：

1. 百分比：查找所有相似性差异的第 X 个百分位数，并分割差异大于该值的块；
2. 标准差：拆分相似度低于平均值 X 个标准差以上的数据块
3. Interquartile Range (IQR，是统计学中衡量数据分布离散程度的一个指标，表示数据中间 50% 的范围)：使用四分位距（Q3 - Q1）来确定分割点（Q1（第一四分位数）：数据中 25% 的位置（下四分位数）；Q3（第三四分位数）：数据中 75% 的位置（上四分位数））

分块大小设置 Chunk Size Selector

块大小设置目的是为了平衡检索性能和回复质量，要根据实际数据选择合适的分块大小

上下文增强检索 Context-Enriched Retrieval in RAG

传统的检索方式找到的是孤立的文件块，可能会导致不完整的问题回答。上下文增强检索通过检索相关文本块及其邻近块，提升生成答案的完整性和连贯性。

上下文头信息增强 Contextual Chunk Headers (CCH) in Simple RAG

上下文头信息增强通过为每个文本块添加高层次上下文（如标题或小节名），提升检索相关性和生成准确性，减少“断章取义”现象。

关键步骤：文本分块与头信息生成

• 定义 generate_chunk_header 函数，利用 LLM 为每个文本块生成简明标题。
• 定义 chunk_text_with_headers 函数，将文本按指定长度和重叠度分块，并为每块生成头信息，返回包含 header 和 text 的字典列表，遍历所有块，生成并保存正文和头信息的嵌入。
• 相似度设置为融合相似度 avg_similarity = (sim_text + sim_header) / 2。

基于问题生成的文档增强型RAG Document Augmentation RAG with Question Generation

基于问题生成的文档增强型RAG是为每个文本块自动生成相关问题，并将这些问题与原文块一同向量化入库，提升检索相关性和问答效果。

关键步骤：定义 generate_questions 函数，利用 LLM 为每个文本块生成若干可由该块回答的问题，并为文本块和问题分别生成嵌入向量。

查询变换 Query Transformations for Enhanced RAG Systems

通过对用户查询进行多种变换，提升检索相关性和答案的全面性，无需依赖 LangChain 等专用库。

三种常见的查询变换技术：

1. Query Rewriting（查询重写）：将原始查询改写为更具体、更详细的表达，提升检索精度。
2. Step-back Prompting（后退式提示）：将查询泛化为更宽泛的问题，以获取更多背景信息。
3. Sub-query Decomposition（子查询分解）：将复杂查询拆解为多个简单子问题，便于全面检索。

重排序 Reranking for Enhanced RAG Systems

通过在初步检索后对候选文档进行重排序，提升最终用于生成答案的内容相关性和准确性。

核心流程：

1. 初始检索：第一遍使用基本相似性搜索（准确性较低，但速度较快）
2. 文档评分：评估每个检索到的文档与查询的相关性
3. 重排序：根据相关性得分对文档进行排序
4. 选择：只使用最相关的文档生成回复

• 重排序方法有：
  • LLM-based Reranking：调用大模型对每个候选块与查询的相关性打分（0-10分），按分数重新排序，选取最优内容。
  • Keyword-based Reranking：基于关键词匹配和出现位置等简单规则对候选块打分并排序。
  • 无重排序：直接使用初步检索结果。
• 重排序（尤其是基于大模型的相关性打分）能显著提升 RAG 系统检索内容的相关性和最终答案的准确性。
• 简单的关键词重排序也能在部分场景下提升效果，但不如 LLM 重排序智能。

相关片段提取 Relevant Segment Extraction (RSE) for Enhanced RAG

通过识别和重构（也就是自动拼接）文档中连续且相关的文本片段（而非孤立的 chunk），为大模型提供更连贯、更高质量的上下文，提升问答效果。

RSE核心算法：

• 相关性打分：对每个 chunk 计算与查询的相关性分数，并对不相关块施加惩罚。
• 片段搜索：采用变体的最大子数组和算法，自动寻找一组最优的连续 chunk 片段（可多段），使得总相关性最大且片段长度受控。
• 片段重构：将选中的 chunk 连续拼接为完整的上下文片段，供大模型生成答案。

上下文压缩 Contextual Compression for Enhanced RAG Systems

对检索到的文本块进行压缩，只保留与查询高度相关的内容，减少噪音，提高生成答案的准确性和上下文利用率。

• 上下文压缩方式：
  • Selective：仅保留与查询直接相关的句子或段落，保留相关句子的准确措辞，保留原文顺序。
  • Summary：对 chunk 进行与查询相关的信息摘要。
  • Extraction：逐句抽取与查询相关的原文句子。
• 实现方式：利用大模型（LLM）对每个检索到的 chunk 进行压缩，输出压缩后的内容及压缩率。通过关键函数rag_with_compression检索 top-k chunk，逐个压缩，拼接为最终上下文，再用 LLM 生成答案。
• 适用于长文档问答、知识密集型检索、窗口受限的 LLM 应用等

反馈闭环 Feedback Loop in RAG

通过收集和利用用户反馈，动态调整检索与生成流程，使系统随用户交互不断自我优化，提升答案相关性和质量。

传统RAG与反馈闭环的区别

• 传统RAG系统只基于embedding相似度检索文档，系统是静态的。
• 引入了用户反馈的RAG系统，能够根据用户的评价不断调整文档相关性和检索效果，实现动态自我优化。

RAG反馈闭环流程

• 用户提问 → 检索相关文档 → 生成回答 → 收集用户反馈 → 反馈影响下次检索和生成 → 循环优化。

自适应检索 Adaptive Retrieval for Enhanced RAG Systems

利用大模型自动将用户查询分为四类：Factual（事实型）、Analytical（分析型）、Opinion（观点型）、Contextual（情境型），然后采用不同的检索策略。

• 针对不同类型的查询，自动选择最合适的检索策略：
  • Factual：增强查询精度，重点检索最相关内容。
  • Analytical：将复杂问题拆分为子问题，检索覆盖面更广的内容。
  • Opinion：识别不同观点，检索多元化内容。
  • Contextual：结合用户上下文，检索与情境高度相关的内容。

自反式检索增强生成 Self-RAG: A Dynamic Approach to RAG

在传统RAG基础上引入了“自我反思”机制，让系统在检索和生成过程中动态决策、评估和优化，提升回答的相关性和可靠性。

• 核心思想
  • 不是每个问题都需要检索，系统会先判断是否需要检索（Retrieval Decision）
  • 检索后对每个候选文档进行相关性评估（Relevance Evaluation）
  • 生成回答后，进一步评估回答是否被检索内容充分支持（Support Assessment）
  • 对最终回答的实用性进行打分（Utility Evaluation）
  • 通过这些“反思点”，动态选择最优回答

命题式分块 Proposition Chunking for Enhanced RAG

将文档拆解为原子化、事实性陈述的高级技术，以实现更精准的信息检索。与传统仅按字符数分块容易导致信息冗余或语义不完整的方法不同，命题式分块能够保留每个事实的语义完整性。

命题式分块的优势

1. 将内容拆解为原子化、自洽的事实
2. 创建更小、更细粒度的检索单元
3. 使查询与相关内容之间的匹配更加精准
4. 过滤掉低质量或不完整的命题

关键步骤：

• 命题生成：用大模型将每个初步块进一步拆解为若干原子命题（propositions），每条命题只表达一个具体事实，避免代词和歧义。
• 命题质量评估与筛选：对每条命题用大模型自动评估其准确性、清晰度、完整性和简洁性，低于阈值的命题会被过滤掉，保证检索单元的高质量。

参考prompt：

请将下列文本拆解为简单、独立的命题。

确保每条命题都符合以下标准：

1. 表达单一事实：每条命题应陈述一个具体事实或主张。
2. 无需上下文即可理解：命题应自洽，无需额外上下文也能理解其含义。
3. 使用全称而非代词：避免使用代词或含糊的指代，应使用完整的实体名称。
4. 包含相关日期/限定词：如适用，请包含必要的日期、时间或限定词，使事实更为准确。
5. 只包含一个主谓关系：每条命题只聚焦一个主语及其对应的动作或属性，不要包含并列或多个从句。

只输出命题列表，不要包含任何额外文字或解释。

你是一位评估从文本中提取命题质量的专家。请根据以下标准（1-10分）对给定命题进行评分：

• 准确性（Accuracy）：命题与原文信息的吻合程度
• 清晰度（Clarity）：在无需额外上下文的情况下，命题的易理解程度
• 完整性（Completeness）：命题是否包含必要的细节（如日期、限定词等）
• 简洁性（Conciseness）：命题在不丢失重要信息的前提下是否简明扼要

请以有效的JSON格式返回每项评分，示例： {“accuracy”: X, “clarity”: X, “completeness”: X, “conciseness”: X}

多模态 Multi-Modal RAG with Image Captioning

核心思想是将文档中的文本和图片（如图表、表格等）都纳入知识库，通过图像描述（captioning）技术为图片生成可检索的文本描述，从而实现文本与视觉信息的联合检索和问答。

关键内容：

• 图片描述生成：图片提取并保存为文件，利用多模态大模型（如LLaVA）对每张图片生成详细的学术型描述（caption），使图片信息可被文本检索系统利用。
• 向量化与多模态向量库：对文本块和图片描述统一生成embedding，构建一个支持文本和图片描述混合检索的向量库（MultiModalVectorStore）。
• 多模态检索与问答：用户查询时，将问题embedding与向量库比对，检索出最相关的文本块和图片描述，并在生成回答时明确区分信息来源（文本/图片）。

融合检索 Fusion Retrieval: Combining Vector and Keyword Search

将语义向量检索（Vector Search）与关键词检索（BM25）结合起来，提升了检索的全面性和准确性。

传统的RAG系统通常只依赖向量检索，但这种方式存在局限性：

• 向量检索擅长捕捉语义相似性，但可能遗漏精确的关键词匹配
• 关键词检索适合查找特定术语，但缺乏语义理解能力
• 不同类型的查询在不同检索方式下表现各异

融合检索过程：

• 同时进行向量检索和关键词检索，对同一查询，分别用向量检索和BM25检索获取得分；
• 对两种检索方式的得分进行归一化并用加权公式将两种得分结合，按照综合得分对文档进行排序；
• 问答生成时，用融合检索结果拼接上下文，调用大模型生成答案。

BM25实现逻辑：

1. 提取文本：从每个分块（chunk）中提取出文本内容，形成一个文本列表。
2. 分词：对每个文本块按空格进行分词，得到一个“分词后的文档”列表（即每个文档是一个词的列表）。
3. 构建BM25索引：用分词后的文档列表初始化BM25Okapi，从而建立BM25关键词检索索引。
4. 打印文档数：输出BM25索引中包含的文档数量，便于调试和确认。
5. 返回BM25索引对象：返回构建好的BM25索引，供后续关键词检索使用。

Graph RAG: Graph-Enhanced Retrieval-Augmented Generation

将知识组织为连接图（而非扁平文档集合）来增强传统RAG系统的技术，实现在相关概念之间的导航，比标准的向量相似度方法能检索到更具上下文相关性的信息。

主要优势：

• 保留信息片段之间的关系
• 支持通过连接的概念进行遍历，找到相关上下文
• 提升对复杂、多步骤查询的处理能力
• 通过可视化知识路径，提供更好的可解释性

重要函数

extract_concepts(text) 从一段文本中自动提取5-10个最重要的关键概念、实体或术语，返回一个字符串列表。

build_knowledge_graph(chunks)将一组文本块（chunks）构建为知识图谱（Knowledge Graph），节点为文本块，边表示块之间的语义和概念关联。

在构建图时，两两遍历节点，判断是否有共享概念：

• 如果有共享概念，计算embedding的语义相似度，计算概念重叠得分（重叠概念数/较小概念数）。
• 综合语义相似度和概念重叠得分，得到边的权重（0.7语义相似度 + 0.3概念得分），只有权重大于0.6时才在节点间加边，边属性包括权重、相似度、共享概念。

traverse_graph在知识图谱上，结合“查询与节点的语义相似度”和“节点间的概念/语义关联”，优先遍历最相关的知识块，最终返回一组与问题最相关的上下文内容，为后续生成答案提供依据。

分层索引 Hierarchical Indices for RAG

通过两级检索流程提升检索效果：首先通过摘要定位相关文档部分，然后再从这些部分中检索具体细节（有点像CCH的改进）。

新增内容：

• 从PDF中按页提取文本，每页生成一个摘要（summary），每页再细分为多个重叠的详细文本块（chunk）。
• 分别为所有摘要和详细块生成embedding，分别建立“摘要向量库”和“详细块向量库”。

分层检索流程：

1. 在摘要向量库中检索最相关的若干摘要，确定相关页。
2. 第二步：仅在这些相关页的详细块中检索，获取最相关的内容块。
3. 检索结果带有详细的上下文和页码信息。
4. 将检索到的详细块拼接为上下文，调用大模型生成答案，并在答案中引用具体页码。

假设文档嵌入 Hypothetical Document Embedding (HyDE) for RAG

在检索前将用户查询转化为假设的答案文档。传统RAG直接对用户短查询做embedding，容易语义信息不足，检索效果有限。HyDE方法先用大模型生成一个“假设文档”（即假设性的详细答案），再对这个文档做embedding，用于检索，能更好地弥合短查询与长文档的语义鸿沟。

HyDE检索流程

• 针对用户查询，先用大模型生成一份假设性详细答案（假设文档）。
• 对假设文档做embedding，然后用该embedding在向量库中检索最相关的真实文档块。
• 可选：将检索到的内容作为上下文，调用大模型生成最终答案。

校正性RAG Corrective RAG (CRAG) Implementation

在必要时动态评估检索到的信息，并通过网络搜索进行校正。

• 传统RAG只用本地知识库检索，可能遇到信息缺失或不相关的问题。
• CRAG流程：先检索本地知识块，自动评估其相关性，若相关性不足则自动调用网络搜索（如DuckDuckGo），甚至融合多源信息，最后生成答案。

CRAG相较于传统RAG的改进包括：

• 在使用检索内容前先进行评估
• 根据相关性动态切换知识来源
• 当本地知识不足时，用网络搜索进行校正
• 在合适的情况下结合多种来源的信息

CRAG核心流程

• 对用户查询做embedding，检索本地最相关的k个文档块。
• 用大模型自动评估每个检索结果的相关性（0~1分）。
• 根据最高相关性分数采取不同策略：
  • 高相关性（>0.7）：直接用本地文档生成答案。
  • 低相关性（<0.3）：自动重写查询，调用网络搜索，提炼网络结果生成答案。
  • 中等相关性：本地文档和网络搜索结果都用，分别提炼后合并生成答案。
• 所有答案都带有信息来源说明。

Simple RAG with RL

一个简单的RAG包含三个基本步骤：

1. 索引：将文档切分为若干片段，并转换为向量嵌入。
2. 检索：当有问题被提出时，找到最相关的片段。
3. 生成：将问题与检索到的片段结合，让AI基于这些信息生成答案。

实际问题是：如何利用提供的文档为给定问题生成答案。简单RAG由于检索片段缺乏足够上下文，往往难以生成准确答案。RL RAG（强化学习RAG）方法可以利用提供的文档为给定问题生成更优答案。

RL RAG中的设定：

• 状态（State）：包括原始查询、当前查询、检索到的上下文、历史响应和奖励。
• 动作空间（Action Space）：
  • rewrite_query：重写查询以提升检索效果
  • expand_context：扩展上下文，获取更多内容块
  • filter_context：过滤上下文，仅保留最相关内容
  • generate_response：基于当前上下文生成答案
• 奖励（Reward）：用生成答案与标准答案的embedding余弦相似度作为奖励信号。
• 策略网络（Policy Network）：采用epsilon-greedy策略，结合启发式规则选择动作。
• 训练循环：每轮训练中，RL agent根据当前状态选择动作，执行动作并更新状态，最终生成答案并计算奖励，更新策略。

适用场景与优势：

• 复杂/开放性问题：RL增强RAG能动态调整检索范围和内容，适合处理信息分散、答案需要多步推理的问题。
• 检索-生成协同优化：不仅优化检索，还能优化生成prompt和答案结构。
• 可持续学习：随着用户反馈和奖励信号的积累，系统能持续自我提升。

端到端流程 End-to-End Pipeline: Big Data with Knowledge Graph

1. 数据准备
2. 信息抽取

• 实体识别（NER）：
  • 先用spaCy做初步实体类型分布探索。
  • 再用LLM（大语言模型）根据定制的实体类型（如ORG、PERSON、MONEY、DATE等）对新闻进行更精准的实体抽取。
• 关系抽取（RE）：
  • 用LLM抽取实体间的关键关系（如ACQUIRED、HAS_PRICE、ANNOUNCED_ON等），输出结构化的关系三元组。

1. 知识图谱构建

• 实体消歧与标准化：对实体文本进行归一化（如去除公司后缀），为每个唯一实体生成URI。
• 本体对齐：将实体类型和关系映射到Schema.org等标准本体或自定义本体。
• 三元组生成：用rdflib将实体和关系转化为RDF三元组，形成知识图谱。

1. 图片精炼与推理

• 实体嵌入：用LLM生成实体名称的向量表示（embedding）。
• 相似度与链接预测：通过计算实体嵌入的余弦相似度，演示基于语义相似度的潜在关系发现（简化版的链接预测）。

1. 持久化

• 存储：将知识图谱以Turtle格式持久化保存。
• 查询：用SPARQL对知识图谱进行结构化查询，获取如公司列表、收购事件、带价格的收购等信息。
• 可视化：用pyvis对部分知识图谱进行交互式可视化展示。