在谈论Retrieval-Augmented Generation（RAG）这个话题时，我们首先需要了解其不同的范式和框架。自从ChatGPT发布以来，RAG这个概念引起了广泛的关注，特别是在Lewis等人于2020年发表了相关论文之后。
1. RAG的范式
Naive-RAG 是向LLM提供来自外部知识源的额外上下文，用于注入知识和减少幻觉的概念。它包括两个阶段：摄取阶段和推理阶段。在摄取阶段，外部知识源被准备好；在推理阶段，该知识源被用于为用户查询提供额外的上下文，并用于生成答案。
文章参考汇总
https://towardsdatascience.com/retrieval-augmented-generation-rag-from-theory-to-langchain-implementation-4e9bd5f6a4f2
https://towardsdatascience.com/a-guide-on-12-tuning-strategies-for-production-ready-rag-applications-7ca646833439
https://towardsdatascience.com/retrieval-augmented-generation-rag-from-theory-to-langchain-implementation-4e9bd5f6a4f2?source=post_page-----be587f42aedb--------------------------------
Advanced RAG（高级RAG）
由于Naive RAG存在一些局限性，高级RAG作为一种新的范式出现。它在预摄取、摄取和后摄取阶段引入了新的技术，以改善RAG管道的性能。
文章参考汇总
https://towardsdatascience.com/advanced-retrieval-augmented-generation-from-theory-to-llamaindex-implementation-4de1464a9930?source=post_page-----be587f42aedb--------------------------------
https://towardsdatascience.com/a-guide-on-12-tuning-strategies-for-production-ready-rag-applications-7ca646833439?source=post_page-----be587f42aedb--------------------------------
Modular RAG（模块化RAG）
此外，调查论文还提到了模块化RAG的范式，但在文中并未进一步详细阐述。
Orchestration Frameworks（编排框架）
自ChatGPT发布以来，涌现出了许多不同的框架，帮助开发人员构建基于LLM的应用程序。其中一些最受欢迎的框架包括
LangChain
LlamaIndex
DSPy
工具链接汇总：
LangChain
https://towardsdatascience.com/advanced-retrieval-augmented-generation-from-theory-to-llamaindex-implementation-4de1464a9930
https://towardsdatascience.com/intro-to-dspy-goodbye-prompting-hello-programming-4ca1c6ce3eb9
RAG Evaluation（RAG评估）
要构建生产就绪的RAG应用程序，您需要一些方法来评估它们。然而，评估RAG应用程序并不是一件容易的事情。目前，评估的方法正在迅速发展，但这是一个复杂的领域。
总结
Retrieval-Augmented Generation是一个令人兴奋的领域，它融合了自然语言生成和知识检索的概念。通过了解不同的范式和框架，我们可以更好地理解如何构建和评估RAG应用程序，从而推动这一领域的发展。
