topic-RAG

RAG · 知识图谱

覆盖 RAG 概念与原理、向量数据库、RAG 检索架构、LlamaIndex 框架与组件、项目实战的系统化知识链接树。

全部文章

1. 基础 RAG 概念

1.1 RAG 概念与原理

• 1.1.1 什么是 RAG？
• 1.1.2 RAG 的工作原理
• 1.1.3 向量相似度：余弦相似度
• 1.1.4 为什么使用 RAG？
• 1.1.5 RAG 的应用场景
• 1.1.6 RAG 的核心技术组件

1.2 核心技术组件

• 1.2.1 RAG 的核心技术组件和难点

1.2.2 数据模块

• 1.2.2.1 RAG 数据模块
• 1.3 4 行代码构建 RAG 应用

2. 向量数据库

2.1 向量数据库基本概念

• 2.1.1 向量数据库 vs 传统数据库

2.2 技术选型

• 2.2.1 Milvus 选型

2.3 向量相似度

• 2.3.1 文本向量化与相似度

3. RAG 原理

3.1 RAG 检索

• 3.1.1 三层混合检索

3.2 检索算法

• 3.2.1 ANN 近似最近邻算法

3.3 流程

• 3.3.1 RAG 双流程架构

3.3.2 入库

• 3.3.2.1 Milvus 离线入库流程

3.3.3 查询

• 3.3.3.1 在线 Query 查询四步

3.3.4 更新

• 3.3.4.1 三大服务：增 / 删 / 查

4. 技术选型

• 4.1 解析文档

5. 面试题

• 5.1 怎么处理数据

6. 框架

6.1 LlamaIndex 框架

• 6.1.1 什么是 LlamaIndex？
• 6.1.2 LlamaIndex 的优势
• 6.1.3 LlamaIndex 核心功能

6.2 llamaindex 组件

• 6.2.1 环境准备

6.2.2 Data Connectors（数据连接器）

• 6.2.2.1 扩展数据源与混合加载

6.2.3 Data Indexes（数据索引）

• 6.2.3.1 模型设置
• 6.2.3.2 设置向量数据库（FAISS）

6.2.3.3 Chunk 切分

• 6.2.3.3.1 数据块切分（Chunking）优化方案

6.2.4 Engines（查询引擎）

• 6.2.4.1 基础查询引擎
• 6.2.4.2 聊天引擎（带记忆）
• 6.2.4.3 流式输出

6.2.5 Data Agents（数据代理）

• 6.2.5.1 构建工具：向量查询 + 摘要
• 6.2.5.2 Agent 调用工具

6.2.6 RAG 系统常见问题与优化

• 6.2.6.1 查询模块（Query Understanding）

• 6.2.6.2 数据处理入库模块（Data Processing）

• 6.2.6.3 查询-文本块匹配模块（Retrieval）

• 6.2.6.4 知识回答模块（Generation）

• 6.2.7 Application Integrations（应用集成）

• 6.2.8 总结

7. 项目

• 7.1 项目背景：DeepResearch

8. RAG 优化

• 8.1 前言
• 8.2 基础 RAG
• 8.3 语义分块
• 8.4 切块大小选择
• 8.5 上下文增强检索的 RAG
• 8.6 上下文片段标题提取（CCH）
• 8.7 文档增强的 RAG
• 8.8 查询转换
• 8.9 重排序
• 8.10 相关段落提取（RSE）
• 8.11 上下文压缩
• 8.12 反馈回路机制的 RAG
• 8.13 自适应检索
• 8.14 自适应 RAG（Self-RAG）
• 8.15 命题分块
• 8.16 多模态 RAG
• 8.17 融合检索
• 8.18 图 RAG（Graph RAG）
• 8.19 分层检索 RAG
• 8.20 假设文档嵌入 RAG（HyDE）
• 8.21 动态纠正 RAG（CRAG）
• 8.22 强化学习增强 RAG