一、核心框架与评分基准
基础基线：Simple RAG（仅向量检索 + LLM 生成），效果评分约30 分，适合快速上线但精度低。
优化目标：提升相关性、召回率、准确率，降低幻觉与 Token 成本，形成可演进系统。
组合原则：策略互补而非替代，如「层次化索引 + 重排序 + 反馈循环」可构建工业级鲁棒系统。
二、17 种策略全清单（分阶段）
第一阶段：文档分块（1-5）— 解决 “切得准、带上下文”
Simple RAG：标准向量检索 + LLM 生成；适用于 FAQ、短文档；工具：Hugging Face RAG；评分 30。
Semantic Chunking（语义切分）：按语义（LLM / 句法树）分块，保证主题连贯；长文档（论文 / 报告）必备；检索相关性提升 5–8%；评分 20。
Context Enriched Retrieval（上下文增强）：返回目标块 + 前后窗口；提升回答连贯度；适用于法规解读、长摘要；工具：Haystack 窗口检索；评分 60。
Contextual Chunk Headers（块标题增强）：为块生成描述性标题并嵌入，双向量融合评分；适配结构化文档（手册 / 教材）；检索相关度提升 3%；评分 50。
Document Augmentation（文档增强）：为块生成检索问题，多视图（标题 / 摘要 / 正文）入库；召回率提升 6%；适用于智能客服；工具：ChunkRAG；评分 80。
第二阶段：检索与重排序（6-9）— 解决 “找得准、筛得精”
Query Transformation（查询改写）：LLM 生成多等价问法再检索；提升低质量输入召回；工具：LangChain MultiQueryRetriever；评分 50。
Reranker（重排序）：初检 TopK 后用 Cross-Encoder/BERT 二次打分；NDCG@10 提升 15%；适用于法律 / 合同检索；工具：Pinecone Reranker；评分 70。
RSE（Relevant Span Extraction，相关片段提取）：定位精准句子而非整段；适配多跳推理、多文档融合；工具：Transformers cross-encoder；评分 80。
Contextual Compression（上下文压缩）：LLM 剔除无关内容，保留关键句；提示长度减半、生成提速；工具：LangChain ContextualCompressionRetriever；评分 75。
第三阶段：后处理与反馈（10-17）— 解决 “用得好、持续优”
Feedback Loop（反馈闭环）：收集用户点击 / 评分，在线更新检索权重；持续优化企业知识库；工具：LangSmith；评分 70。
Adaptive RAG（自适应检索）：按查询特征动态选策略（是否重排序 / 多 Query）；平均准确率提升 7%；工具：LangChain Adaptive Retriever；评分 86.2（综合最优）。
Self RAG（自我决策 RAG）：模型判断是否需检索，跳过无需外部知识的查询；减少 20% 无用检索，节省资源；评分 60。
Knowledge Graph（知识图谱）：构建实体三元组，支持图谱检索 / 路径推理；跨文档关联准确率提升 12%；适用于科研 / 专利检索；工具：Neo4j + 向量检索；评分 78。
Hierarchical Indices（层次化索引）：粗→细多级索引，多轮检索兼顾广度与深度；适配大型知识库 / 法规库；工具：FAISS 分级索引；评分 84。
HyDE（Hypothetical Document Embedding）：先生成假设答案，再反向检索真实材料；召回率提升 8%，适配长尾问题；评分 50。
Fusion（结果融合）：向量 + 关键词检索多路召回，融合排序；兼顾语义匹配与精确命中；适用于金融舆情；工具：Elastic+Pinecone；评分 83。
CRAG（Corrective RAG，纠错式 RAG）：增加纠错与质量评估，必要时切换信息源；FAQ 准确率提升 10%；适用于客服系统；评分 82。
三、工业级选型速查表（按目标）
| 业务目标 | 优先选择策略 |
|---|---|
| 快速上线、低成本 | Simple RAG、Semantic Chunking |
| 提升回答准确性 | Reranker、RSE、Context Enriched Retrieval |
| 提升召回率与覆盖度 | Query Transformation、Fusion、Document Augmentation |
| 优化成本 / 推理效率 | Self RAG、Contextual Compression |
| 结构化知识 / 分层检索 | Knowledge Graph、Hierarchical Indices |
| 持续迭代 / 用户适配 | Feedback Loop、Adaptive RAG |
| 容错性强 / 长尾问题 | CRAG、HyDE |
四、核心工程要点
分块是基础：语义切分 + 上下文增强是大多数场景的 “标配”，避免固定长度切分的语义断裂。
重排序是精度关键：初检召回后，必须用 Reranker 或 RSE 提升相关性，尤其在高精度场景（法律 / 医疗）。
自适应与闭环是规模化核心：Adaptive RAG 适配多业务，Feedback Loop 实现系统自进化。
混合检索提鲁棒性：Fusion（向量 + 关键词）兼顾 “语义相似” 与 “精确命中”，适合生产环境。
五、效果评分对比（GPT-4 打分，满分 10 分）
| 策略名称 | 评分 | 核心优势 | 典型短板 |
|---|---|---|---|
| Simple RAG | 3 | 实现快、成本低 | 语义断裂、信息丢失 |
| Semantic Chunking | 5 | 语义连贯、Chunk 逻辑完整 | 仍有上下文丢失风险 |
| Small-to-Big Retrieval | 8.5 | 检索精准 + 上下文完整平衡 | 需构建父子 Chunk 映射，工程稍复杂 |
| Context Enriched Retrieval | 6 | 缓解信息缺失、逻辑简单 | 依赖物理位置邻近，语义关联弱时无效 |
| Contextual Chunk Headers | 5 | 增强大局感知、提升 Embedding 理解 | 生成标题增加额外成本 |
| Document Augmentation | 8 | 匹配精度极高、弥补语义鸿沟 | 需预生成问题，冷启动成本高 |
| Query Transformation | 5 | 兼容多样提问、提升复杂任务召回 | 改写质量依赖 LLM，易引入偏差 |
| Reranker | 7 | 大幅提升相关性、消除语义噪声 | 增加计算资源消耗 |
| RSE (Relevant Segment Extraction) | 8 | 信息完整、上下文感强 | 处理复杂跨段信息时耗时稍长 |
| Contextual Compression | 7.5 | 减少 Token 浪费、降低背景干扰 | 压缩质量依赖提示词设计 |
| Feedback Loop | 7 | 系统自净化、用户偏好驱动 | 实现复杂度高，需数据闭环 |
| Self RAG | 6 | 减少无用检索、节省资源 | 自判断准确性依赖模型能力 |
| Knowledge Graph | 7.8 | 跨文档关联强、支持推理 | 图谱构建成本高（实体 + 关系抽取） |
| Hierarchical Indices | 8.4 | 兼顾检索广度与深度、效率高 | 多级索引设计复杂 |
| HyDE (Hypothetical Document Embedding) | 5 | 适配长尾问题、提升召回 | 假设答案偏离时检索失效 |
| Fusion | 8.3 | 兼顾语义匹配与精确命中 | 多源结果融合逻辑复杂 |
| CRAG (Corrective RAG) | 8.24 | 结合文档库与 Web 检索、解决知识盲区 | 需额外 Web 检索模块，架构复杂 |
六、场景适配性对比
| 场景类型 | 推荐策略组合 |
|---|---|
| 快速验证 / 毕设 | Simple RAG + Semantic Chunking |
| 企业知识库 | Hierarchical Indices + Reranker + Feedback Loop |
| 法律 / 医疗（高精度） | RSE + Reranker + Contextual Compression |
| 智能客服（高召回） | Document Augmentation + Fusion + CRAG |
| 科研 / 专利检索 | Knowledge Graph + RSE + Query Transformation |
| 交互式对话 | Self RAG + Query Transformation + Context Enriched Retrieval |
| 长尾问题场景 | HyDE + Fusion + Reranker |
七、核心逻辑对比
基础检索派：以 Simple RAG 为代表，依赖向量相似度，优势是简单直接，短板是语义理解弱。
语义增强派：以 Semantic Chunking、Document Augmentation 为代表，通过 LLM 介入提升语义关联，优势是召回准，短板是成本高。
重排序派：以 Reranker 为代表，通过二次打分筛选优质结果，优势是精度高，短板是耗资源。
自适应进化派：以 Feedback Loop、Adaptive RAG 为代表，通过用户反馈或动态策略优化，优势是持续迭代，短板是工程复杂。
