- 综合排序
- 最热优先
- 最新优先
- 来自专栏【腾讯云开发者】
RAG优化字典：20种RAG优化方法全解析
关注腾讯云开发者，一手技术干货提前解锁 本文系统性地梳理了 RAG（Retrieval-Augmented Generation，检索增强生成）系统从基础到高级的 20 种优化方法，涵盖分块策略、检索增强 、查询优化、生成质量控制等多个维度。 适用场景：上线前调参、不同领域/文档类型单独优化。 CRAG 系统 动态评估并纠正检索质量 20 RL增强RAG 系统 强化学习优化全流程 优化方法选择指南 分块优化：检索不够精准时，优先考虑语义分块（1）、命题分块（13）或切块大小评估（2） 检索增强：融合检索（15）性价比高、易落地；图RAG（16）适合概念与关系密集的领域。 查询优化：HyDE（18）对短查询、抽象问句效果好；查询转换（6）适合复杂、多子问题查询。
95711编辑于 2026-03-06 - 来自专栏DeepHub IMBA
RAG系统文本分块优化指南：9种实用策略让检索精度翻倍
RAG系统的性能很大程度上依赖于文本分块策略的选择和实施。 文本分块是RAG系统中的关键预处理环节，文本块定义为从大型文档或数据集中按照特定规则和策略分割而成的文本片段，这些片段将被嵌入并索引到RAG知识库中以支持检索操作。 该过程的目标是将文档重新组织为多个部分，使RAG系统能够根据输入查询高效检索最相关的内容片段。 RAG系统的工作机制是在推理阶段对查询进行嵌入编码，然后从向量数据库中检索前k个最相关的文本块。 {"text_chunks": text_chunks, "tables": tables, "images": images} result = modality_chunk(pdf_file) 9、 开发者可以根据具体需求选择单一策略或组合多种策略，以实现最优的RAG系统性能。通过深入理解这些分块策略的原理和实现方法，我们能够构建更加高效和准确的RAG系统，为用户提供更好的信息检索和生成体验。
1.8K11编辑于 2025-08-20 - 来自专栏云云众生s
RAG和模型优化：AI实用指南
AI工程实践指南：探索LLM/SLM集成，利用MoE和Co-LLM优化代码生成。RAG提供可扩展替代方案，避免静态微调，提升代码质量。 ，同时平衡模型选择、性能优化、安全性和成本效益。 集成 LLM 和 SLM 通过利用两者的优势，将小型语言模型 (SLM) 和大型语言模型 (LLM) 集成到软件工程任务中，可以优化效率。 这种方法通过将较简单的任务分配给较小的模型，将复杂的任务分配给较大的模型来优化效率。 在 AI 软件开发平台中部署 LLM 并使用 RAG 对其进行增强可以提高准确性，消除幻觉并优化资源效率。
43200编辑于 2025-03-16 llm与RAG的学习与优化
本文首发个人博客：llm与RAG的学习与优化 - 黑白の世界欢迎点击，评论前言这是一篇拖延了半年的文章。 为了从“能用”到“好用”，我们需要一系列的调优手段来优化召回效果。 预处理：优化数据质量分块 (Chunking)将文档切分成合适的、独立的语义单元是RAG中最关键的第一步。分块的质量直接影响向量的质量和检索的精度。**为什么需要分块？ 这是提升RAG效果最有效的手段之一。结语以上内容大概就是笔者最近在大模型学习，RAG开发与特定领域向量数据库构建业务中的一些总结与优化心得。同时不禁感叹，大模型从22年到如今的发展迅速。 可以看到本文在谈到RAG调优的格式突然有些变化。因为到这里笔者有些懒了，手写了思路与大纲后，直接让AI优化，然后再手改一番。本文还只是单纯的 RAG知识库，或者说向量数据库的相关技术点。
65510编辑于 2025-09-01- 来自专栏自然语言处理
【RAG最新研究】优化RAG系统的最佳实践与深度解析
RAG有哪些相关研究？ 在RAG领域，已经有不少研究为这篇论文奠定了基础。 RAG系统的优化： Wang et al. (2024) 提出了优化检索组件的策略，比如改进文档索引和检索算法，以减少延迟并保持准确性。 通过这些步骤，论文系统地研究了RAG系统的架构，并提出了具体的改进措施，为开发和优化RAG系统提供了实证基础和理论支持。 论文做了哪些实验？ 对比了有无RAG模块的模型（w/o_RAG）与包含RAG模块的模型之间的事实性表现。 定性分析： 提供了在TruthfulQA和MMLU数据集上由模型变体生成的示例。 基于74次实验的结果，论文总结了关键发现，并提出了对比上下文学习RAG和焦点模式RAG在性能上的优越性。
1.2K10编辑于 2025-01-16 - 来自专栏具身小站
大模型优化技术（RAG 和 LoRA）对比
RAG 和 LoRA 是优化大模型的两种主流且互补的技术， LoRA 是给模型“大脑升级”的技能插件，RAG 是给模型“大脑联网”的外挂知识库， 分别从“模型能力”和“知识获取”两个不同维度，来解决让通用大模型变得更专业的问题 工作原理 RAG的工作流程分为两步： 检索和生成 。 检索 ：收到问题时，RAG首先将问题转化为向量，在知识库（如公司内部文档）中搜索最相关的信息片段。 RAG就像是 给大脑配一个秒查资料的"超级助理"， 遇到问题时，大脑不自己回忆，而是先让助理去查资料，再将查到的信息一起思考后回答。 RAG的核心优势在于处理 需要大量、最新、具体事实信息 的场景。 因此，建议 以LoRA为主，RAG为辅 。 并行组合 ：设计一个决策器来判断任务类型， 对深层任务调用LoRA模块，对知识性任务调用RAG流程 。同时，LoRA生成的结果可作为RAG的检索源，形成正向循环。
20610编辑于 2026-05-22 RAG 2.0 的索引与召回机制优化
很多做RAG的朋友可能都有过这样的经历：兴冲冲地把系统搭起来满怀信心地让它回答几个问题，结果它要么答非所问，要么一脸无辜地说"抱歉我不知道"。 今天我们就来聊聊RAG 2.0在索引与召回机制上的优化思路，看看怎么才能让RAG真正派上用场。 向量召回的困境与破局之道 向量召回命中率低这个问题，说起来简单，真正解决起来却让人头疼。 未来重排序很可能成为RAG系统的标配组件，就像现在全文索引是必备的一样。 值得注意的是，延迟交互这条路还在快速发展。 结语 RAG 2.0的索引与召回机制优化，本质上是在效果和效率之间找平衡。 多路召回解决了单一检索方式的局限，张量排序在保持效果的同时提升了效率，文档预处理则为整个系统打下了高质量的数据基础。 RAG技术还在快速演进，但无论怎么变，扎实的基础功永远是关键，是吧？
36310编辑于 2026-02-28- 来自专栏Linyb极客之路
RAG 的检索模块是怎么优化的？
RAG（Retrieval-Augmented Generation）中的检索模块是整个系统的关键环节，直接影响生成结果的质量。为了提升检索的准确性、相关性和效率，业界采用了多种优化策略。 以下是 RAG 检索模块的主要优化方法： 一、向量检索优化 更优的嵌入模型（Embedding Model） 使用领域微调的嵌入模型（如 BGE、E5 等），比通用模型（如 Sentence-BERT） 四、索引与架构优化 分块策略优化 合理的文本分块大小（如 256-512 tokens）。 使用滑动窗口重叠分块，避免信息割裂。 基于语义边界（如段落、标题）进行智能分块。 基于反馈的持续优化 利用用户反馈或生成结果质量信号，迭代优化检索模型或策略。 ，RAG 的检索模块能够更精准地找到与用户问题相关的上下文，为生成模块提供高质量输入，从而显著提升整体系统表现。
34310编辑于 2026-04-14 9个SQL优化技巧
大多数的接口性能问题，很多情况下都是SQL问题，在工作中，我们也会定期对慢SQL进行优化，以提高接口性能。这里总结一下常见的优化方向和策略。 过度索引：当表中存在过多的索引时，可能会导致数据库优化器在选择使用哪个索引时变得困难。这可能会导致查询性能下降，因为优化器可能选择了不是最优的索引。 为了优化这个查询，我们可以考虑以下几种方法： 索引优化： 确保在 customer_id 字段上创建索引，以加速 GROUP BY 和 WHERE 子句的执行。 条件优化： 使用WHERE条件在分组前，就把多余的数据过滤掉了，这样分组时效率就会更高一些。而不是在分组后使用having过滤数据。 深分页limit优化深分页通常指的是在处理大量数据时，用户需要浏览远离首页的页面，例如第100页、第1000页等。
1.7K10编辑于 2024-05-21- 来自专栏掘金安东尼
👾打开 RAG 对接大模型的黑盒 —— 9 大隐藏问题
构建 RAG 本篇不是想讲 RAG 概念，而是想再深入探索一下：RAG 的构建； 通常来说，构建 RAG 的过程有： 将文档分割成均匀的块，每个块都是一段原始文本； 为每个块生成嵌入（例如 OpenAl 对接大模型的黑盒 —— 9 大问题 来源：Seven Failure Points When Engineering a Retrieval Augmented Generation System 1 输出不清晰 还有问题是：输出的内容不清晰，导致大模型回答也不尽如人意，需要多轮对话、检索才能得到答案； 解决方案，同样可以优化检索策略： 检索从小到大 使用句子窗口检索 递归检索 7. greater than 1 invokes parallel execution. nodes = pipeline.run(documents=documents, num_workers=4) 9. 总结 本篇提供了开发 RAG 通道 9 个痛点，并针对每个痛点都给了相应的解决思路。 RAG 是非常重要的专用检索+通用大模型的技术手段，在赋能模型、满足特定化场景中非常重要！
87010编辑于 2024-04-04 - 来自专栏掘金安东尼
再靠近亿点点，RAG 优化策略
本篇来看下 RAG 的架构优化策略 利用知识图谱（KG）进行上下文增强 在现有的向量数据库中，典型的上下文增强可能面临挑战：难以捕捉长距离的关联知识，信息稀疏性高（尤其是当LLM上下文窗口有限时）。 Self-RAG 的重要创新 Self-RAG 的 Reflection tokens (反思字符) 通过生成反思字符这一特殊标记来检查输出。 Self-RAG 的推理过程 Self-RAG 通过运用反思性标记对自己的输出进行自评，这使得它在推理过程中展现出调整与适应能力。 模型可根据具体任务进行定制化调整，它通过增加检索的文段数量来优化对事实准确性的重视，或是在开放性任务中突出创新能力。此模型能决定何时进行文段的检索，或者依据预设的阈值来启动该过程。 小结 本篇文章介绍了 RAG 的架构优化策略，主要包括利用知识图谱进行上下文增强以及让大模型对召回结果进行筛选的方法。
1.1K10编辑于 2024-04-13 - 来自专栏DeepHub IMBA
RAG流程优化（微调）的4个基本策略
在本文中，我们将介绍使用私有数据优化检索增强生成(RAG)的四种策略，可以提升生成任务的质量和准确性。 通过使用一些优化策略，可以有效提升检索增强生成系统的性能和输出质量，使其在实际应用中能够更好地满足需求。 RAG简单回顾 RAG主要有两个过程。 我们先总结RAG过程中的可以优化的关键点: 1、分块方法:优化块大小确保有意义和上下文相关的数据段。 2、嵌入模型:选择和微调模型以改进语义表示。 3、向量搜索方法:选择有效的相似度量和搜索参数。 我们探讨了四种关键优化方向:细化分块方法、选择和微调嵌入模型、选择有效的向量搜索方法以及制作精确的提示。这些组件中的每一个都在提高RAG系统的性能方面起着至关重要的作用。 优化RAG的过程是需要持续的测试的，从失败中学习，以及做出明智的调整。需要采用迭代方法，才能定制出适合自己的AI解决方案，更有效地满足特定需求。
2.3K10编辑于 2024-07-01 - 来自专栏DotNet NB && CloudNative
.NET 9 的 LINQ 优化详解
在 .NET 9 中，微软为 LINQ（Language Integrated Query）引入了三个新的扩展方法，增强了数据查询的灵活性和表达力。 这是对 GroupBy(...).Select(g => new { g.Key, Aggregate = g.Aggregate(...) }) 的优化，性能更高且代码更简洁。 91533 • Index: https://github.com/dotnet/runtime/issues/95563 • 博客文章： • Three new LINQ methods in .NET 9 Three new LINQ methods in .NET 9 • Unlocking New Possibilities: Top LINQ Methods Introduced in .NET 9
32110编辑于 2025-07-26 - 来自专栏测试开发干货
【简历优化平台开发教程-9】目标企业 优化意向
所以，简历优化的话后期算法上，也会着重偏向检查各位简历的内容是否满足上述目标企业。
33420编辑于 2023-08-14 - 来自专栏AIGC大模型应用
RAG性能优化杀器，引入上下文检索！
开发者通常通过 RAG扩展 AI 模型的知识。RAG 是一种从知识库中检索相关信息并将其附加到用户提示词中的方法，从而显著提升模型的回答能力。 但传统的 RAG 解决方案在编码信息时会丢失上下文，导致系统无法从知识库中检索到相关信息。 1 RAG 简介：扩展到更大的知识库对于无法放入上下文窗口的更大知识库，RAG 是典型的解决方案。 但传统 RAG 系统有一个显著的局限：它们往往破坏上下文。传统 RAG 中的上下文问题在传统 RAG 中，文档通常被拆分为较小的块，以便于检索。 我们的实验表明，跨多个领域，添加重新排序步骤进一步优化了检索。具体而言，我们发现，重新排序后的上下文嵌入和上下文 BM25 将前 20 个块检索未命中率降低了 67%（5.7% → 1.9%）。
1.2K11编辑于 2024-10-02 - 来自专栏JavaEdge
RAG性能优化杀器，引入上下文检索！
开发者通常通过 RAG扩展 AI 模型的知识。RAG 是一种从知识库中检索相关信息并将其附加到用户提示词中的方法，从而显著提升模型的回答能力。 1 RAG 简介：扩展到更大的知识库 对于无法放入上下文窗口的更大知识库，RAG 是典型的解决方案。 但传统 RAG 系统有一个显著的局限：它们往往破坏上下文。 传统 RAG 中的上下文问题 在传统 RAG 中，文档通常被拆分为较小的块，以便于检索。 实验表明，跨多个领域，添加重新排序步骤进一步优化了检索。 重新排序后的上下文嵌入和上下文 BM25 将前 20 个块检索未命中率降低了 67%（5.7% → 1.9%）。 负责： 中央/分销预订系统性能优化 活动&券等营销中台建设 交易平台及数据中台等架构和开发设计 车联网核心平台-物联网连接平台、大数据平台架构设计及优化 LLM Agent应用开发 区块链应用开发
48610编辑于 2025-06-01 - 来自专栏AI智能体从入门到实践
构建AI智能体：优化 RAG 检索精度：深入解析 RAG 中的五种高级切片策略
前面几篇文章已经深入讨论过LangChain、RAG架构的细节，对RAG有了基础的了解，今天重点梳理一下RAG的切片策略；一、什么是RAG切片 给定一个场景，我们有一本非常厚的百科全书 所以，到底什么是RAG切片？ RAG切片就是把一份长长的文档（如PDF、Word），合理地切割成一个个小块（Chunks）的过程。 这个过程是整个RAG系统的基石，它直接决定了后续检索和生成答案的质量。 , "两日票需要连续两天使用，总价比购买两天单日票优惠约9折。特定日票包含部分节庆活动时段，需注意门票标注的有效期限。" 运行你的RAG管道，评估答案的质量。评估答案是否准确？检索到的上下文是否真正相关？ 迭代优化：选择效果最好的那种策略。
1.8K32编辑于 2025-11-11 - 来自专栏JusterZhu
.NET9 AOT的性能优化
前言 .NET9里面重要的一个优化是对于AOT预编译的内联优化，这种优化较高的提升了AOT运行的性能。本篇看下这种优化技术。 AOT优化概述 优化从来都不是简单的去掉几行代码或者改动几个机器码就行了，需要统筹考虑，以AOT优化来参考说明。 .NET9里面AOT的优化主要聚焦于内联上面。 实际上的更复杂，举个例子比如在一些编译器中，发现DEF函数里面的int变量x并没有做任何事情，激进下的优化直接把变量x也给删除了。 回到正题，上面略微了解下优化的关键点。 注意，本篇的AOT的内联优化是直接在编译阶段，无论是否有热点都会一次性的优化到可执行文件二进制的结果。我们下面继续看AOT的内联优化操作。 优化之后的代码，凸显了可见性的精简和凝练。 这依然只是部分优化，可以预见后续的.NET10,11,12等等在AOT上有更大性能的提升。 以上就是本篇内容，欢迎点赞，关注。
46800编辑于 2025-01-23 - 来自专栏Datawhale专栏
RAG 作者：RAG 已死，RAG 万岁！
一个具有更大上下文窗口的新模型问世，社交媒体上便会充斥着“RAG 已死”的宣言。 RAG 的初衷 五年前，我在 Meta 基础人工智能研究中心（FAIR，前身为 Facebook 人工智能研究中心）的团队提出了 RAG（Retrieval-Augmented Generation，检索增强生成 底线是：您同时需要长上下文 LLM 和 RAG。 但既然“RAG”这个术语似乎如此具有争议性，那我们不妨这样说： 我们不必非得称之为 RAG。 我们可以就叫它 检索 (retrieval)。 RAG 提供了相当于直接翻到相关页面的能力。处理更多 token 不仅更慢，而且极其低效，并且比使用 RAG 精准定位所需信息要昂贵得多。 RAG、微调和大型上下文窗口在 AI 中也是如此。 结论 我们不需要在 RAG 与长上下文窗口、微调或 MCP 之间做出选择。
82410编辑于 2025-04-24 - 来自专栏软件工程师成长笔记
9月17-MySQL性能优化
MySQL性能优化策略 1、MySQL内核架构 2、索引原理与查询优化 加速MySQL高效查询数据的数据结构 二分查找（binary search） 二叉树查找（binary tree search） 务必注意影响结果集的定义是什么 行级锁会带来更新的额外开销，但是通常情况下是值得的 2）事物提交 对I/O效率提升的考虑 对安全性的考虑 HEAP内存引擎 1）频繁更新和海量读取情况下仍会存在锁定状况 索引优化 一样会产生读写锁 3）负载均衡主要使用分库方案，主从主要用于热备和故障转移 MySQL Cluster：高可用 1）同步复制 2）自动故障切换 3）自我修复 4）无共享架构，无单点故障 5）跨地域复制 9、
51430发布于 2018-10-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号