此外我们还可以添加诸如章节或小节的引用文本的关键信息、小节标题或关键词等作为元数据有助于改进知识检索的准确性。 还有一种更加有效的方式是建立知识图谱。嵌入模型虽然简单但是没法有效捕捉实体之间的复杂关系和层次结构所以导致传统RAG在面对复杂查询的时候特别吃力。
比如用户询问“《跨越鸿沟》这本书的主旨是什么”传统Rag技术是肯定回答不出来的。但是知识图谱技术可以做到因为利用知识图谱对数据集建立索引的时候会做提取实体以及实体之间的关系这样就能构建一种全局性的优势从而提升RAG的精确度。
但是知识图谱虽然很强大可惜成本太高了会大幅提升token使用量大家需要综合产品体验和成本进行评估。 2用户query改写 Step-Back Prompting：如果果原始查询太复杂或返回的信息太广泛我们可以选择生成一个抽象层次更高的“退后”问题与原始问题一起用于检索以增加返回结果的数量。
例如对于问题“勒布朗詹姆斯在2005年至2010年在哪些球队？”这个问题因为 阿根廷电话号码列表 有时间范围的详细限制比较难直接解决可以提出一个后退问题“勒布朗詹姆斯的职业生涯是怎么样的？”从这个回答的召回结果中再检索上一个问题的答案。