RAG多路召回率的提高

最新推荐文章于 2025-04-23 19:16:31 发布
最新推荐文章于 2025-04-23 19:16:31 发布
阅读量1.1k 收藏 2
点赞数 2
文章标签： python 系统架构 AI编程 全文检索 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_39060924/article/details/139811126
版权

目前RAG还在快速发展，本帖总结了目前流行的五种思路。进一步讨论请留言
——————-
RAGFlow的做法：加权求和，缺点较为明显（当其中一种检索方式给出的完全不准确时，会影响到整体的结果）
DIFY的做法：同时执行全文检索和向量检索，并应用重排序步骤，从两类查询结果中选择匹配用户问题的最佳结果，需配置 Rerank 模型 API。
Elasticsearch的做法：基于向量检索和全文检索进行多路召回，然后用线性加权总和基于结果倒数的融合排序（RRF）两种方式。
百度智能千帆：在检索问答时通过知识点来索引到对应的切片，大模型根据切片内容生成答案，开启知识增强会调用大模型抽取更加丰富的知识点，增加切片的召回率。
Kimi的做法：增强模型输入的上下文大小，以减少对文档切片的次数。这样会降低匹配中目标切片的难度。

#RAG #检索增强 #搜索引擎 #算法工程师 #计算机专业

编程咩
关注
LLM - 使用 RAG (检索增强生成) 多路召回 实现 精准知识问答 教程
AGI
09-29 2659
RAG (Retrieval-Augmented Generation，检索增强生成) 的多路召回，包括向量召回和本文召回，可用于精准知识问答，减轻大模型的幻觉问题。并行：同时使用文本召回和向量召回，合计获得 TopN 个样本，再使用重排序的方式，获得 TopK 个样本，作为最终的召回文本。串行：优先使用文本召回，召回 TopN 个样本，再使用向量排序，获得 TopK 个样本，作为最终的召回样本。
AI Agent开发第68课-彻底消除RAG知识库幻觉(2)-喂饭式教你多路召回怎么做
最新发布
打造全国最全的AI Agent开发知识领域的博客
05-16 221
多路召回，这一搜索与推荐系统的核心技术，犹如数字世界的智能筛选器。本文深入剖析其工作原理、应用场景与技术演进，从理论到实践全方位解读这一技术如何通过多维度筛选，让AI系统既能应对海量数据挑战，又能满足个性化需求，同时最大化增加召回率，从而让你的AI Agent不会老漏东西、更贴切的召回符合用户的数据。
【RAG】万字详解 | 大模型RAG系统的12个问题+12个优化思路
javatiange的博客
04-01 1122
少量样本引导技术（few-shot learning）通过嵌入典型问答范例，能够有效训练模型掌握知识检索与整合的规范流程，这种基于示例的学习机制不仅强化了生成内容的事实准确性，还显著提升了模型在垂直领域的应用效能。我们提到过当文档文块过大时，可能包含太多不相关的信息，传递这样的整个文档可能导致更昂贵的LLM调用和更差的响应。针对特定结构化内容的专门分割器。同样地，我们先对文档进行结构切割，比如将文档按三层树状结构进行切割，顶层节点的块大小为1024，中间层的块大小为512，底层的叶子节点的块大小为128。
【开源神器】Dify+RAGFlow联合：知识库精准度飙升，PDF表格秒变结构化数据
2401_85390073的博客
04-01 2436
整合优势1. 深度网页解析能力RAGFlow可解析PDF、扫描件、表格等复杂格式，自动识别布局并提取结构化数据，弥补Dify原生解析短板。2. 检索质量飞跃通过多路召回、重排序优化策略，RAGFlow显著提升答案准确性。例如，扫描版PDF表格的解析完整度提升40%以上。3. 混合检索模式Dify支持向量检索、全文检索、混合检索（推荐），结合RAGFlow的API调用，实现“非结构化数据+语义匹配”的双重优势。配置步骤（简化版）1. 部署RAGFlow。
RAG多路召回
pumpkin84514的博客
01-15 2778
是指在信息检索系统中，为了提升检索的全面性和准确性，通过多条不同的检索路径或不同的检索策略来获取信息的技术。多路召回的核心思想是，单一的检索路径可能会遗漏一些重要的信息或没有覆盖所有可能相关的内容，因此需要并行或串行地采用多种检索方法来提高最终的召回率和准确性。多路召回通过多个检索策略和模型的并行运行，能够提升信息检索的多样性和精准度。模型中，多路召回通常用于增强检索阶段的多样性和精准度。通过结合不同的召回策略，系统能够在多个来源或角度中获取信息，从而改善生成模型的输入质量和最终生成的答案。
解密Prompt系列20. LLM Agent之再谈RAG的召回多样性优化
sdgfafg_25的博客
12-04 1802
几个月前我们就聊过RAG的经典方案。前几天刚看完openAI在DevDay闭门会议上介绍的RAG相关的经验，有些新的感悟，借此机会再梳理下RAG相关的优化方案。推荐直接看原视频（外网）：召回的内容要可以回答问题，并且内容丰富度，包括同一问题多个观点，多角度：召回内容和问题相关，总不能召回100篇里面只有2篇和问题有关：召回内容间的观点一致性较高更高要求：高时效性，权威性，观点完整性，内容重复度低这里不妨借鉴前人经验，参考。过去几个月RAG的论文也像是把传统搜索的方案，使用LLM轮番做了一遍范式更新。
Rag应用——多路召回检索
2203_75455572的博客
11-02 2344
这里用的是JupyterLab工具，原因是需要GPU加载模型运行可以去云服务器。
如何在大模型 RAG 系统中提升检索召回率？
2301_82241744的博客
02-20 322
RAG 适用于法律、金融、医疗等需要高精度知识问答的场景。
通过智能分块策略、动态分块、多路召回与重排序融合、异构数据关联与溯源提升Ragflow与LangChain提升RAG的召回率
朴拙科技的博客
04-23 598
在大模型AI应用中，召回率（Recall） 指模型从所有相关文档中正确检索到的比例。例如，若知识库中有100篇相关文档，系统检索到80篇，则召回率为80%。• 重排序（Re-Ranking）：使用深度学习模型（如BAAI/bge-reranker）对召回结果二次排序，提升头部结果质量。• 策略组合：结合关键词匹配（如BM25）与语义向量检索（如Embedding），兼顾精确关键词与语义相似性。在RAG（检索增强生成）场景中，高召回率意味着更少的“漏检”，但可能伴随更多不相关结果（需结合精确率平衡）。
LLM Agent之再谈RAG的召回信息密度和质量
2301_81887304的博客
02-20 1066
话接上文的召回多样性优化，多路索引的召回方案可以提供更多的潜在候选内容。但候选越多，如何对这些内容进行筛选和排序就变得更加重要。这一章我们唠唠召回的信息密度和质量。同样参考，这一章对应环节，考虑排序中粗排和精排的区分主要是针对低延时的工程优化，这里不再进一步区分，统一算作排序模块。让我们先对比下重排和排序模块在经典框架和RAG中的异同下面我们分别说两这两个模块有哪些实现方案。
LLM Agent之再谈RAG的召回多样性优化
2301_81887304的博客
02-20 2048
在微软提出的rewrite-retrieve-read框架中，使用大模型作为rewriter，Bing搜索作为Retriever，chatgpt作为Reader，在QA任务上，尝试使用PPO微调改写模型，Reward模型的目标是不同改写query召回后推理内容和真实答案的Exact Match和F1。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。传统搜索Query的扩展，有基于用户搜索日志挖掘的相似Query，有基于相同召回文档关联的相似Query，也有基于SMT的Query改写方案。
大模型中的召回率是什么？
qq_36929638的博客
04-13 659
text{召回率} = \frac{\text{模型检索到的相关结果数量}}{\text{数据集中所有相关结果的总数量}}是衡量模型从候选集中找出所有相关结果能力的关键指标。在大模型（如LLM）及相关应用（如RAG、推荐系统）中，最终目标：在可接受的精确率损失下，最大化召回关键信息。
TensorFlow相关组件的安装
AAI666666的博客
01-11 2803
TensorFlow相关组件的安装
#RAG | AIGC # RAG召回率提升的方法以及优劣势
weixin_45312236的博客
05-22 4616
RAG（Retrieval-Augmented Generation）是一种结合了检索（Retrieval）和生成（Generation）的模型，用于增强大型语言模型（LLMs）的性能。召回率（Recall）是衡量RAG系统性能的关键指标之一，它表示系统能够检索到的相关文档占所有相关文档的比例。：通过改进召回过程来提高从大规模语料库中检索与给定查询相关的文档的准确性和效率[：在召回过程中纳入查询和文档的上下文信息，可以更准确地判断文档与查询的相似度[
RAG 召回提升相关方案分享
Angus
07-13 4089
最近大半年时间都在做RAG的工作，分享一点个人探索的方向。和提升的方案。文章中会分享是如何做的，以及对应的效果。
20250414| AI：RAG多路召回和融合重排序技术
LeonNo11的博客
04-13 1156
RAG（Retrieval-Augmented Generation）是一种结合检索和生成的框架，广泛用于问答、对话和知识密集型任务。检索阶段：根据用户查询，从知识库（如文档集合、数据库）召回相关信息。生成阶段：将召回的信息与查询一起输入生成模型（如LLM），生成最终答案。多路召回和融合重排序主要发生在检索阶段，决定了召回文档的质量和相关性。下面详细讲解这两部分，并融入解释学习的思路。
Dify框架增强：RAG 能力提升探索与实践
易迟的专栏
08-14 3807
在之前的文章来自工业界的开源知识库 RAG 项目最全细节对比中介绍过，现有 RAG 开源项目中，Dify 的生态良好，但是一个明显的短板就是 RAG 检索能力偏弱。因此一直期望能补全这个短板，从而让 Dify 能真正好用起来。在基于开源项目二次开发建议方案探索了 Dify 的增强策略。实际选择了文章中提到的中策，基于模块化增强 Dify。Dify 的 RAG 已经支持了大量的 RAG 基础能力与可视化页面，如果通过额外的插件拓展支持，那么现有的 RAG 基础流程无法复用，开发的工作量太大。
【Dify平台】召回模式设置
qq_25438419的博客
01-20 2762
当用户构建知识库问答类的 AI 应用时，如果在应用内关联了多个知识库，此时需要应用 Dify 的召回策略决定从哪些知识库中检索内容。召回模式设置。
一文详谈RAG优化方案与实践
weixin_45583158的博客
06-19 1346
导读RAG通过检索现有的大量知识，结合强大的生成模型，为复杂的问答、文本摘要和生成任务带来了全新的解决方案。本文详细的介绍了RAG遇到的挑战、通用范式、工程实践、优化实现策略等。一、RAG的背景介绍随着ChatGPT的兴起，大语言模型再次走进人们的视野，其在NLP领域表现出的语言识别、理解以及推理能力令人惊叹。越来越多的行业开始探索大语言模型的应用，比如政务、医疗、交通、导购等行业。通义系列、GP...
怎么提高rag的召回率
02-25
### 提升RAG模型召回率的方法 #### 优化检索模块 为了提升RAG模型的召回率，增强检索模块的效果至关重要。通过引入更先进的索引结构和技术可以显著改善这一方面。例如，在构建倒排索引时采用更加精细的数据预处理方法，如词干提取、同义词扩展等措施来增加匹配机会[^1]。 #### 改善编码器质量 高质量的文档和查询向量表示对于提高召回率同样重要。可以通过调整Transformer架构中的超参数设置或是利用对比学习等方式训练得到更好的文本表征能力；另外也可以尝试多模态输入方式，即不仅仅依赖纯文字信息作为源材料而是加入图像等内容形式辅助建模过程从而获得更为丰富的特征表达[^2]。 #### 调整相似度计算函数 不同的距离度量标准会对最终结果产生影响。实验表明余弦相似性和内积操作在某些情况下可能不如其他类型的核函数有效。因此有必要针对具体应用场景测试多种方案并选取最优者用于实际部署环境中去[^3]。 ```python import numpy as np from sklearn.metrics.pairwise import cosine_similarity, rbf_kernel def calculate_similarities(query_vector, document_vectors): # 使用不同类型的核函数计算相似度得分 cos_scores = cosine_similarity([query_vector], document_vectors)[0] kernel_scores = rbf_kernel([query_vector], document_vectors)[0] return { "cosine": list(cos_scores), "rbf_kernel": list(kernel_scores) } ``` #### 增加负样本采样多样性 适当扩大候选集规模有助于发现更多潜在的相关项。这不仅限于简单地增加数量级上的扩充，更重要的是要保证新增部分具有足够的异质性以覆盖尽可能广泛的主题范围。一种常见做法是在原始语料库基础上随机抽取一定比例未见过的新实例补充进来参与后续评估环节。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值