标签: RAG

RRF（倒数排名融合）是混合检索黄金准则，无需权重调优合并BM25与向量余弦分值。核心公式：Score(d)=∑1/(k+r(d))，k=60平滑排名。优势：抹平分值差异、奖励双优文档。落地：每源取前50-100结果融合，后接Re-ranker。

文章介绍工业级RAG/搜索系统优化方案：**背景**为向量化Token限制与检索准确性问题。**关键技术**包括切片（基础，必备）、混合检索（Dense+Sparse+RRF，提升准确率）、多向量/ColBERT（精排，占资源）、摘要向量化（辅助）。**推荐路径**：切片→混合检索→重排序，实现粗排+精排全流程。（148字符）

Dify的RAG优化面临检索质量和生成结果相关性挑战。优化需关注：embedding模型和向量数据库选型、混合检索和重排序、知识库预处理（chunking、元数据增强）、query扩展、prompt工程、上下文压缩等。新兴技术如ColBERT和FLARE，以及幻觉和数据泄露风险需关注。监控和AB测试至关重要。

Agent和Workflow是LLM驱动系统的核心架构。Agent自主决策，遵循感知-规划-行动循环，挑战在于幻觉控制和长程规划。Workflow是预定义任务编排，强调确定性和可重复性，可通过动态编排和性能优化。混合架构是趋势，需根据场景选择Agent或Workflow。