转载自微博@黄建同学
从头开始学习 RAG，看Lance Martin的这篇笔记就行了，包含了十几篇论文和开源实现！
这是一组简短的（5-10 分钟视频）和笔记，解释了我最喜欢的十几篇 RAG 论文。我自己尝试实现每个想法（所有代码都是开源的），并根据图表分组。
代码：github.com/langchain-ai/rag-from-scratch
视频播放列表：youtube.com/playlist?list=PLfaIDFEXuae2LXbO1_PKyVJiQ23ZztA0x
一些亮点： #程序员##ai探索计划#
★RAG 真的死了吗？
RAG 将如何随着长期 LLM 而改变。
★自适应RAG 根据复杂程度动态地将查询路由到不同的 RAG 方法。使用Cohere cmd-R 在 LangGraph 中实现。
代码： github.com/langchain-ai/langgraph/blob/main/examples/rag/langgraph_adaptive_rag_cohere.ipynb
★矫正-RAG 在循环单元测试中自我纠正检索错误，以确定文档相关性并返回到网络搜索。在 LangGraph 中实现了Mistral AI -7b + Ollama，以便在本地运行。
代码： github.com/langchain-ai/langgraph/blob/main/examples/rag/langgraph_crag.ipynb
论文：arxiv.org/pdf/2401.15884.pdf
★自身RAG
使用循环单元测试自行纠正 RAG 错误，以检查文档相关性、答案幻觉和答案质量。在 LangGraph 中实现，使用Mistral AI -7b + Ollama进行本地运行。
代码：github.com/langchain-ai/langgraph/blob/main/examples/rag/langgraph_self_rag.ipynb
代码（本地）：github.com/langchain-ai/langgraph/blob/main/examples/rag/langgraph_self_rag_local.ipynb
论文：arxiv.org/abs/2310.11511.pdf
★查询路由
将问题引导至正确数据源的各种方法（例如逻辑、语义等）。
代码： github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_10_and_11.ipynb
★查询结构
使用 LLM 将自然语言转换为其中 DSL 是一种与给定数据库（SQL、Cypher 等）交互所需的领域特定语言。
代码： github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_10_and_11.ipynb
博客：
1/ blog.langchain.dev/query-construction/
2/ 深入研究 graphDB：blog.langchain.dev/enhancing-rag-based-applications-accuracy-by-constructing-and-leveraging-knowledge-graphs/
3/ 查询结构文档： python.langchain.com/docs/use_cases/query_analysis/techniques/structuring/
4/ 自查询检索器文档： python.langchain.com/docs/modules/data_connection/retrievers/self_query/
★多表示索引
使用 LLM 生成针对检索进行优化的文档摘要（"命题"）。嵌入这些摘要以进行相似性搜索，但将完整文档返回给 LLM 进行生成。
代码： github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_12_to_14.ipynb
论文： arxiv.org/pdf/2312.06648.pdf
★PAPROT
将语料库中的文档聚类，并递归地总结相似的文档。将它们全部编入索引，生成较低级别的文档和摘要，可以检索这些文档和摘要来回答从详细到更高级别的问题。
代码： github.com/langchain-ai/langchain/blob/master/cookbook/RAPTOR.ipynb
论文： arxiv.org/pdf/2401.18059.pdf
★ColBERT
使用受上下文影响的嵌入来提高文档和查询中每个标记的嵌入粒度。
代码： github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_12_to_14.ipynb
★ 多次查询
从多个角度重写用户问题，为每个重写的问题检索文档，返回所有查询的唯一文档。
视频： youtube.com/watch?v=JChPi0CRnDY
代码： github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_5_to_9.ipynb
论文： arxiv.org/pdf/2305.14283.pdf
★RAG融合
从多个角度重写用户问题，检索每个重写问题的文档，并组合多个搜索结果列表的排名，以使用倒数排名融合 (RRF) 生成单一、统一的排名。
视频： youtube.com/watch?v=77qELPbNgxA
代码： github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_5_to_9.ipynb
项目：github.com/Raudaschl/rag-fusion
★ 分解
将问题分解为一组子问题/问题，可以按顺序解决（使用第一个问题的答案 + 检索来回答第二个问题），也可以并行解决（将每个答案合并为最终答案）。各种工作，如从最少到最多提示和 IR-CoT 提出了可以利用的想法。
视频： youtube.com/watch?v=h0OPWlEOank
代码： github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_5_to_9.ipynb
论文： arxiv.org/pdf/2205.10625.pdf，arxiv.org/pdf/2212.10509.pdf
★ 后退提示
首先提示 LLM 提出一个关于高级概念或原则的通用后退问题，并检索有关它们的相关事实。使用此基础来帮助回答用户问题。
视频： youtube.com/watch?v=xn1jEjRyJ2U
代码：github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_5_to_9.ipynb
论文：arxiv.org/pdf/2310.06117.pdf
★ HyDE
LLM 将问题转换为回答问题的假设文档。使用嵌入的假设文档检索真实文档，前提是 doc-doc 相似性搜索可以产生更多相关匹配。
视频：youtube.com/watch?v=SaDzIVkYqyY
代码：github.com/langchain-ai/rag-from-scratch/blob/main/rag_from_scratch_5_to_9.ipynb
