RAG的17种优化策略，主要分为‌文档分块优化、检索排序优化、反馈与自适应优化‌三大类，以下是完整17种策略汇总及核心特点：
一、文档分块优化（5种）

这类优化聚焦于优化知识表示，提升后续检索精准性

    ‌Simple RAG（基础分块）‌

    原理：将原始文档按固定字符数/长度硬切分，切分后直接进行向量化和Top-K检索，是所有RAG策略的基础起点
    特点：实现简单，技术成本低，响应速度快；但易割裂语义连续性，检索精度低，GPT评分为0.3分

    ‌Semantic Chunking（语义切分）‌

    原理：通过句法树/NLP模型动态切割文本，合并高相似度相邻句子，保证每个块都是完整语义单元
    特点：保留语义完整性，技术成本低，响应速度快；但仍存在小块上下文丢失问题，检索精度中等，GPT评分为0.5分

    ‌Context Enriched Retrieval（上下文增强）‌

    原理：找到目标相关块后，同步召回其前后相邻段落组成更大的上下文块，避免信息断裂
    特点：轻量化解决信息不完整问题，帮助模型理解完整语义，技术成本低，检索精度中等，GPT评分为0.6分

    ‌Contextual Chunk Headers（块标题增强）‌

    原理：对切分后的大段文本，调用大模型生成概括性块标题，向量化时将标题+文本共同编码，检索时同时计算标题和文本与查询的相似度
    特点：增强全局信息感知，更精准评估相关性，技术成本低，检索精度中等，GPT评分为0.5分

    ‌Document Augmentation（文档增强）‌

    原理：将每个文本块转化为一组覆盖核心内容的问题，分别存储文本和问题的向量，检索时综合计算查询与文本、问题的相似度
    特点：匹配精度高，能弥补语义鸿沟，即使原文未出现关键词也能命中，检索精度高，GPT评分为0.8分

二、检索排序优化（4种）

这类优化聚焦于提升召回和排序的精准性，降低噪音干扰

    ‌Query Transformation（查询转换）‌

    原理：对用户原始口语化查询进行改写优化，包含查询重写、回溯扩展、子查询分解三种常见方式，适配多样化提问场景
    特点：处理模糊/复杂意图，提升整体召回率，交互式场景实用性高，技术成本中等，检索精度中等，GPT评分为0.5分

    ‌Re-ranker（重排序）‌

    原理：先通过向量快速粗召回Top-K结果，再用Cross-Encoder等模型对结果二次语义打分排序
    特点：消除"相似不相关"噪音，大幅提升结果相关性，是当前RAG系统最常用的核心组件之一，技术成本中等，检索精度高，GPT评分为0.7分

    ‌RSE（相关片段提取）‌

    原理：在已经检索到的长段落中，通过BERT+指针网络定位提取和查询最相关的关键片段
    特点：处理复杂跨段落信息表现优异，适合法律文书、科研论文等深度理解场景，技术成本中等，检索精度高，GPT评分为0.8分

    ‌Contextual Compression（上下文压缩）‌

    原理：调用LLM过滤掉检索结果中的无关信息，仅保留核心有用内容，精炼上下文
    特点：降低token消耗，减少无关信息对答案生成的干扰，技术成本中等，检索精度高，GPT评分为0.75分

三、反馈与自适应优化（8种）

这类优化聚焦于后处理与动态迭代，实现RAG系统的持续进化

    ‌Small-to-Big Retrieval（小块查大块答）‌

    原理：切分文档为父子块，小块用于检索计算相似度，最终输入大模型生成回答时使用完整的父块
    特点：兼顾检索精准性和上下文完整性，在准确性和完整性之间取得较好平衡，检索精度高，GPT评分为0.85分

    ‌Feedback Loop（反馈闭环）‌

    原理：收集用户点击、满意度等反馈数据，用于迭代训练排序模型，优化检索结果排序
    特点：让系统持续适应用户真实查询习惯，适合智能客服等高频交互场景

    ‌Adaptive RAG（自适应路由）‌

    原理：根据问题类型、复杂度动态选择匹配的检索策略，而非所有查询采用统一流程
    特点：平衡精度和效率，避免不必要的计算开销

    ‌Self RAG（自我决策）‌

    原理：让大模型自主判断当前问题是否需要外部检索，不需要则直接回答，需要再启动检索流程
    特点：减少不必要检索，提升响应效率，同时降低无关检索引入的错误

    ‌Knowledge Graph RAG（知识图谱融合）‌

    原理：将文档解析为实体三元组，构建知识图谱，检索时结合图谱推理补充关联信息
    特点：适合处理需要多实体关联推理的复杂问题，提升答案逻辑性

    ‌Hierarchical Indices（多级索引）‌

    原理：构建文档树形分层索引，先粗检索定位文档/章节，再细粒度检索具体内容
    特点：适配大规模长文档场景，分层检索提升检索效率，减少无效计算

    ‌HyDE（假设文档嵌入）‌

    原理：先让大模型生成一个针对查询的理想答案，再用这个理想答案反向检索知识库中匹配的支撑材料
    特点：解决碎片化文档检索难题，提升语义匹配精准性

    ‌RAG Fusion‌

    原理：对查询进行多版本改写，分别检索后对多个检索结果进行融合重排序，提升相关片段召回率
    特点：扩大检索覆盖面，降低单轮检索漏检概率，适合复杂开放问题