RAG 系统是否真能“动脑”，关键在于它能否处理连续追问，真正做到“思考、推理与自适应”。
• Chain of Thought (CoT)：模型逐步拆解复杂问题，分阶段“展示推理过程”，提升对密集或冲突信息的分析能力。
• Tree of Thoughts (ToT)：多路径并行推理，模型在每步评估多种方案，综合多文档证据权衡最优答案。
• ReAct 框架：结合推理与行动，模型动态生成思路、调用外部数据源、调整推理流程，实现上下文关联更强的响应。
• 查询重写（Query Rewriting）：将模糊或表达不佳的用户问题转化为检索更有效的格式，理解用户意图远超简单同义词替换。
• 查询扩展（Query Expansion）：通过生成多条相似扩展查询，捕获更多相关信息，提升检索文档的数量和相关度。
• 高级检索策略：融合向量相似搜索与关键词检索，结合元数据过滤，支持多步复合检索，突破基础搜索瓶颈。
• 智能代理式 RAG（Agentic RAG）：系统可实时重构查询、反复检索并执行多步推理，实现真正的“思考型”智能检索。
心得：
1. 仅有检索不足以支撑复杂应用，必须结合多阶段推理与动态行动，才能实现上下文连贯和深度理解。
2. 查询预处理（重写与扩展）是提升检索效果的前提，准确捕捉用户意图远比简单匹配重要。
3. 多路径推理与代理式设计让 RAG 不再是静态问答，而是具备迭代思考与自我纠正能力的智能系统。
🔗 x.com/femke_plantinga/status/1965762224691024057
详细内容及案例解析，免费下载电子书🔗weaviate.io/ebooks/advanced-rag-techniques
人工智能 RAG 大语言模型 知识检索 自然语言处理 智能检索
