FranzLiszt的博客

在传统的 RAG 架构中，所有查询都走统一的 Retriever和 Prompt 模板，这在多源数据或多任务系统中存在检索结果不相关、内容不精准、用户意图模糊等局限性。为了解决这一问题，`Routing`机制可以根据用户提出的问题，智能地路由到最相关的知识源或处理流程中，以提升回答的精准性与效率。

在传统的 RAG 检索中，单一查询往往存在语义表达不充分、表述角度狭窄以及信息覆盖不全面等问题。这种局限容易导致向量检索阶段召回的上下文不准确，从而影响最终生成结果的质量。为了解决这些问题，`Query Transformations` 技术应运而生。它通过从多个语义视角对原始查询进行扩展和重构，有效提升了查询的表达能力和语义覆盖范围，弥补了信息缺失，为模型提供更丰富、更相关的上下文，引导生成结果更贴近用户意图。

在上一篇文章中，我们介绍了如何使用`OpenAI`的`ChatOpenAI`构建文本生成，但由于囊中羞涩，没有进一步探索。转而使用`Hugging Face`中的免费模型构建RAG。在本文中，我们采用`OpenAI`的聊天接口客户端`ChatOpenAI`，但并未直接使用`GPT`模型。而是通过本地代理的服务器，调用`ModelScope`社区中的模型完成RAG应用构建。

本项目旨在构建一个简单的RAG应用，不考虑性能因素，仅作为学习记录。跑通整个流程为主，以初步了解RAG的应用构建过程。