這張圖展示了 RAG（Retrieval-Augmented Generation）架構的演進，每種變體代表了不同的技術或應用方式。以下是每個區塊中提到的關鍵技術與應用：
🔹
1. Naive RAG
技術：
Embedding
Vector Database
Prompt Augmentation
應用：
將用戶查詢轉為向量，從資料庫檢索相關內容後輔助生成回答
🔹
2. Graph RAG
技術：
Graph Generator
Knowledge Graph
Vector Database
應用：
將資料結構化為圖譜（Graph），輔助理解與回答
🔹
3. Hybrid RAG
技術：
Graph + Vector 檢索
多來源上下文整合
應用：
同時使用圖與向量資料庫，強化查詢的語義深度與廣度
🔹
4. HyDE (Hypothetical Document Embeddings)
技術：
生成假設性文件
Embedding 處理
應用：
當缺乏資料時，先生成假想文檔以引導檢索，更好地輔助回答
🔹
5. Corrective RAG
技術：
網路查詢（Search Web）
回答評分與糾錯（Grading + Correction）
應用：
對初步回答評分，如不正確，從網路獲取正確資訊修正回答
🔹
6. Adaptive RAG
技術：
Query Analyzer
多步推理鏈（Reasoning Chain）
應用：
根據查詢複雜度選擇單步或多步檢索與生成，提升靈活性
🔹
7. Agentic RAG
技術：
智能代理（Agent）
ReACT, Chain of Thought (CoT) 思維規劃
多 Agent 協作（Agent 1, 2, 3）
記憶系統（Short/Long-term Memory）
應用：
可進行多任務處理，結合搜索引擎、雲端、知識庫，實現多階段推理與資料整合
如使用 MCP Servers、AWS/Azure 雲服務等
🔧
總結：涵蓋的主要技術與應用類別
檢索技術：Embedding、Vector DB、Graph DB、Search Engine
生成技術：LLM 回答生成、Hypothetical Documents
增強技術：Prompt Augmentation、Grading & Correction、Memory、Planning
應用場景：
智能問答系統
知識管理
客戶服務自動化
多階段推理與決策支援系統
跨系統資訊整合（雲端、地端、圖譜等）
沒有留言:
張貼留言