ByteCat

通过使用两级搜索方法来提高检索效果

SelfRAG是一个先进的机制，能够动态决定何时以及如何使用检索到的信息。

实现一个具备反馈循环机制的RAG系统，通过持续学习实现性能迭代优化。

一个具备自适应检索能力的RAG系统

微软亚洲研究院的研究员们提出了一种基于查询需求分层的RAG任务分类法，直指大模型应用在不同认知处理阶段所面临的难点和定制化的解决手段。

重排序作为初始检索后的第二步过滤，确保使用最相关的内容进行响应生成。

过滤并压缩检索到的文本块，只保留最相关的内容，从而减少噪声并提高响应质量。

上下文块标题（CCH）通过在每个块嵌入之前添加高级上下文（如文档标题或部分标题）来增强RAG。

引入上下文增强检索，确保检索到的信息包括相邻的片段，以实现更好的连贯性。

这种方法通过同时捕获概念相似性和精确关键词匹配，提升了检索质量。