如何提升RAG系统整体效果：从索引构建-问句理解-混合搜索+语义排序着手，评估系统
如何提升RAG系统整体效果：从索引构建-问句理解-混合搜索+语义排序着手，评估系统
1.Query understanding
1.1 构建数据索引
一个主要的问题是， query 的 embedding 与文档的 embedding 在向量空间并没有对齐。改善这种情况的常见方法是从文档中提取信息并用它来回答问题。可以对文档提取、总结和生成潜在问题以改进的 embedding 匹配的问题。
例如，给定一个文档时，可以尝试：
- 提取 keywords 和 topics
- 生成HyDE-假设性问句：针对每个chunk级别生成，关键句–提炼”抽象“点金句子
- 生成摘要
class Extraction(BaseModel):
topic: str
summary: str
hypothetical_questions: List[str] = Field(
default_factory=list,
description="Hypothetical questions that this document could answer",
)
keywords: List[str] = Field(
default_