企业官网建设流程全解析

内容参考于：图灵AI大模型全栈

有以下六种高级RAG的实现思路和论文支撑

T-RAG

论文地址：https://arxiv.org/pdf/2402.07483

TRAG的知识库，如下是一个树状的

公司总部 ├─ 北京分公司 │ ├─ 研发部 │ │ └─ 后端组（负责人：李四） │ └─ 市场部 └─ 济南分公司 ├─ 产品部 │ └─ 张三（产品经理，负责A项目） └─ 销售部

现在问济南分公司张三负责什么？它会先找济南分公司（树干），然后找产品部（树枝），然后找到张三（叶子）也就是下图红框的这一部分

它用来生成答案的模型是经过知识库微调过的，这样的大模型会比较聪明

CRAG

论文地址：https://arxiv.org/pdf/2401.15884

CRAG增加了评估机制，如下图红框三种评估机制

Correct表示通过知识库找到的文档是靠谱的，进行提纯（过滤不靠谱的信息），然后给大模型

Ambiguous表示信息不全，它会先提炼出有用的信息，然后再去网上找资料

Incorrect表示信息全是垃圾，它直接放弃这些垃圾数据，然后去网上找资料

self-RAG

左边是普通RAG，右边是selfRAG

论文地址：https://arxiv.org/pdf/2310.11511

参考： Self-RAG: Learning to Retrieve, Generate and Critique through Self-Reflection

第一步：它会先自我判断，比如济南房价是实时数据，现有的资料只有25年以前的信息，需要查最新资料，这时会触发Retrieve搜索功能，如果问的是1+1等级几，它就会判断出No Retrieve直接回答不需要查资料

第二步：自我判断完如果出现了Retrieve，它会进行检索通过RAG知识库和互联网搜索最新的房价信息

第三步：自我评估第二步得到的信息，然后评估这些信息是否跟问题有关或是否有效，也就是过滤不相关的信息，它会出现IsREL:Yes和IsREL:No，也就是资料靠谱和不靠谱

第四步：拿着第三步的提示词，去问大模型，然后大模型回答了答案后，它会检测答案是否存在问题，如果存在问题就重新检索然后完善回答的内容

第五步：最终验证一遍第四步的信息，然后生成最终答案

这个self-RAG和CRAG差不多，self-RAG在CRAG基础上添加了自我验证的和纠错的功能，上方的自我纠错和检验都是通过大模型实现的

RAG-Fusion（RAG融合）

之前CRAG和selfRAG都需要用多个模型成本是比较大的，RAG-Fusion不需要其它模型可以通过单个模型来实现

项目地址：https://github.com/Raudaschl/rag-fusion

参考：https://mp.weixin.qq.com/s/hxukMEeMzTEOVqd1P1fQLQ

用一个具体例子说明：你问 AI “2026 年济南xx区适合带孩子玩的地方” 1️⃣ 第一步：自动 “换说法”—— 生成多个查询角度 AI 不会只搜 “xx区带孩子玩”，而是自动生成 3-5 个相关问题（像人类从不同角度思考）： xx区儿童乐园推荐 济南xx区亲子活动场所 2026 年xx区适合小朋友的景点 xx区室内亲子游玩地点（适合下雨天） 这一步叫查询扩展，解决了 “用户问法不全面” 的问题。

2️⃣ 第二步：并行 “搜资料”—— 每个查询独立搜索 AI 用这 5 个问题分别去知识库 / 互联网搜索，得到 5 份不同的结果列表： 列表 1：xx区 3 个儿童乐园 列表 2：xx区 5 个亲子活动中心 列表 3：xx区 2 个适合小朋友的博物馆 列表 4：xx区 4 个室内游乐场

3️⃣ 第三步：智能 “合并排序”——RRF 算法（倒数排名融合） 这是 RAG-Fusion 的核心！AI 用一个聪明的算法把 5 份结果合并成 1 份超级靠谱的列表： 规则：在多个列表中都出现的地点，排名会大幅提升（说明大家都认可） 举例： 某室内游乐场在 3 个列表中都排前 5→最终排名第一 某博物馆只在 1 个列表中出现→排名靠后 计算公式：分数 = 1/(k + 排名)（k 通常取 60)，所有查询结果分数相加 这个过程像老师批改 5 份试卷，综合所有老师的打分，给出最终成绩。

Reciprocal Rank Fusion（倒数排名融合）Re ranked results（重新排序后的结果）

4️⃣ 第四步：生成 “全面回答”—— 基于融合结果创作 AI 用合并后的完整资料，生成既全面又有条理的回答，还会标注哪些地点是多个来源都推荐的。

Rewrite-Retrieve-Read RAG，简称RRR-RAG

就是我们在提问的时候，写的问题很模糊，RRR-RAG就会先把我们的问题进行处理，重写问题让问题更加标准，然后再去搜索资料，然后再生成答案，如上图左边三个input，最左边的是最原始的问题，第二个是处理过的原始问题，然后去问大模型，然后第三个里有一个Small PrLM，这个是可以自己训练专门做重写的小模型（重写模型），第二个input中的Black-Box LLM就是一个大模型（别人训练好的大模型）

Graph RAG

z（打手） / c(背后老大) x(接头人) \ / 嫌疑犯 / \ (同伙) (资金往来) a b | (亲属) d

Graph RAG就是把知识库做成上方的样子，形成一个带关系的图谱，可以通过x找到z，然后通过x可以找到嫌疑犯，通过嫌疑犯可以找到a（同伙）这样的一个思路