| 技术名称 | 描述 | 评分 | 星级 | 优势 |
|---|---|---|---|---|
| Adaptive RAG (自适应检索增强生成) | 不同查询类型应采用不同策略和知识源 | 0.86 | ★★★★☆ | 最灵活、最智能的RAG架构，适用于复杂业务场景 |
| Hierarchical Indices (层次化索引) | 结合小块精准与大块上下文优势 | 0.84 | ★★★★☆ | 在精度与上下文之间取得最佳平衡 |
| Fusion (融合检索) | 结合向量+关键词检索，减少漏检 | 0.83 | ★★★★☆ | 结合语义与关键词双重优势，提升检索效果 |
| CRAG (Corrective RAG) | 评估并修正检索结果中的错误信息 | 0.824 | ★★★★☆ | 显著提升生成准确性与系统可信度 |
| Knowledge Graph (知识图谱) | 利用图结构表达信息间的语义关系 | 0.78 | ★★★★★ | 强大的语义结构化工具，适合深度推理任务 |
| Reranker（重排序） | 0.7 | ★★★☆ | 提升最相关 chunk 的排名，是高质量 RAG 的标配模块 | |
| Feedback Loop (反馈闭环) | 用户反馈能持续优化系统性能 | 0.7 | ★★★★★ | 系统具备自我进化能力，适合长期运营 |
| Self RAG (自反思检索增强生成) | 模型自主筛选高相关性内容，减少噪音 | 0.6 | ★★★★☆ | 提升生成准确性，具备"判断力" |
| HyDE (Hypothetical Document Embedding) | 先生成假设答案再检索，弥补表达差异 | 0.5 | ★★★☆ | 适合模糊表达类问题，提升召回率 |