RAG and Retrieval

条目状态与系统位置

本图位于 Application / Retrieval / Agent Runtime：索引和召回是数据与检索层，引用生成接到模型层，多跳检索再接到 Agent Loop。只有 RAG Optimization Map 是独立总览，其余条目默认是该总览中的子机制，不代表每个都有单独文章。

总览

RAG Optimization Map

学习与排错路径

数据/权限/版本
→ 解析与 chunk
→ sparse/dense/hybrid retrieval
→ rerank 与 context selection
→ grounded generation / citations
→ retrieval、答案、成本与线上反馈

读者应沿这条因果链定位问题：召回不到证据，不要先改 prompt；证据已在但答案错，再检查排序、上下文压缩和生成。Agentic RAG 只是把 query transformation、工具调用和多跳状态放进 Agent Loop；它不会消除基础索引质量问题。

Indexing

文档解析与结构恢复（未单列：见 RAG Optimization Map）
Chunking：fixed、recursive、sentence、semantic、document-aware（未单列）
metadata、权限与版本（未单列）
embedding 与向量索引（未单列）

Retrieval

sparse、dense 与 hybrid retrieval（未单列）
ANN：Flat、IVF、HNSW、PQ（待建）
RRF 与 cross-encoder reranking（未单列）
query rewrite、decomposition 与 multi-hop retrieval（未单列）

Generation

context selection 和压缩（未单列）
grounded generation 与引用（未单列）
structured output（待建）

Evaluation

retrieval recall / ranking（未单列：RAG 评测维度）
faithfulness / answer correctness / citation accuracy（未单列：答案与证据验收）
latency、cost 与 end-to-end task success（未单列：系统级验收）

Agent 连接

Agent Loop
Agentic RAG（未单列：见 Agent Loop 与本页多跳支线）
Agent Evaluation

先判断错误发生在哪一层

同一个“答案不对”需要不同的处理：如果文档权限或版本错误，先修数据边界；如果 gold passage 不在候选，检查解析、chunk、metadata 和 query；如果候选存在但被截断，调整 rerank/context budget；只有证据已正确进入上下文仍被误读时，才改变生成 prompt 或模型。这个顺序是本地图的主决策边界，不能用增加 top-k 作为万能修复。

三条具体学习支线

文档型问答：保留标题路径、表格关系、版本和 offset，优先做证据覆盖与 citation 对齐。
企业知识库：把权限过滤和索引新鲜度当作 correctness 条件，加入同名旧版本与越权文档测试。
Agentic / 多跳 RAG：先定义中间实体、每跳停止条件和可审计 evidence chain，再把检索放进 Agent Loop。

每条支线都应从 RAG Optimization Map 回到一个可复现的数据集：保存原文、gold evidence、候选列表、最终 context 和答案。否则只看最终回答，无法知道是知识缺失还是检索链断裂。