塔斯娱乐资讯网

颠覆传统 RAG?一图看懂4种新型 RAG 范式! 传统 RAG 采用「文档分块

颠覆传统 RAG?一图看懂4种新型 RAG 范式!
传统 RAG 采用「文档分块嵌入 + 向量相似度匹配」的固定流水线,它通用性强,结构简单,容易理解,但也存在结构化信息丢失,检索覆盖面较小,没有自我校验和修复能力等问题;针对这些短板,也涌现一系列新型 RAG 范式;

🤖 Jev + RAG
Jev 决策模型的核心能力是快速思考,在给定选项中做出判断,并返回不同选项的置信度;
⭐️ 而将 Jev 作为 RAG 中的判断层,也是近期热度很高的方向:
- 在检索开始前,判断是否需要检索;
- 粗筛 TopK 候选段落后,用 Jev 批量评估是否是有效段落;
- 完成检索后,用 Jev 对候查询结果进行校验:判断段落能否支持用户回答,以及是否存在 Prompt 注入问题;
- 在 LLM 完成回答后,对其引用的 RAG 段落进行回溯,避免幻觉问题;

🤖 导航式 RAG:
不同于传统 RAG 的一次性召回,导航式的特点在于预先构建好「结构化检索路径」,常见形式包括树形,图结构等:先做粗粒度定位,逐步缩小搜索空间,再在局部范围内做细粒度检索;
- LLM Wiki:LLM 编译原始文档,构建出带有双向引用的词条;在查询阶段,沿着词条引用收集信息;
- TOC-RAG:文档目录作为原生树结构;先定位到子目录,再在章节内进行精细检索;
- Knowledge-as-Skill:将文档提炼为 Skill 树,查询时根据任务所需能力,沿 Skill 树路由到不同分支;

🤖 动态多跳式 RAG:
和导航式类似,都属于多跳式 RAG:通过多步串联,逐步收集完整信息;动态式的核心区别在于:不预先构建静态图谱,而是在检索过程中进行动态桥接;
- SAG2:检索完成后构建候选关键词集合,通过 Jev 筛选出有效关键词,用于新一轮检索;
- DMH-RAG:训练专用 LLM 能够根据已有的检索结果,识别信息缺失,构建临时子查询图,通过多轮迭代进行补全;

🤖 视觉原生 RAG:
伯克利的热门开源项目 PixelRAG 就是视觉原生的 RAG,它将文档截图切片,通过 VLM 视觉模型直接在视觉空间内进行嵌入检索,跳过了传统的文本解析流程,保留了文档的结构信息;
⭐️ 而 Pix2Evidence 则是将图像与转录文本融合为多模态向量,借助强 VLM 教师模型监督检索器进行训练,使其更精准识别能够支撑答案的视觉内容;
chatgpt应用领域 AI人工智能 rag