RAG的准确率提高 20%(方法递归准确率文本节点)

RAG 是当前使用LLM的标准方法，大多数现有方法仅从检索语料库中检索短的连续块，限制了对整个文档上下文的整体理解。

最近，一种名为 RAPTOR （Recursive Abstractive Processing for Tree-Organized Retrieval）方法提出来，该方法核心思想是将doc构建为一棵树，然后逐层递归的查询，如下图所示：

在推理时，RAPTOR 模型从该树中检索，在不同抽象级别的文档中找出匹配片段。

在涉及复杂、多步骤推理的问答任务中，通过将 RAPTOR 检索与 GPT-4 结合使用，可以将 QuALITY 基准的准确率提高 20%。

构建树的过程，RAPTOR 根据其矢量嵌入递归地对文本块进行聚类，并生成这些聚类的文本摘要

RAPTOR 根据向量递归地对文本块进行聚类，并生成这些聚类的文本摘要，从而自下而上构建一棵树。
聚集在一起的节点是兄弟节点； 父节点包含该集群的文本摘要。
这种结构使 RAPTOR 能够将代表不同级别文本的上下文块加载到 LLM 的上下文中，以便它能够有效且高效地回答不同层面的问题。

树的聚类算法基于高斯混合模型 (GMM)，聚类后，每个聚类中的节点被发送到LLM进行概括。
在实验中，作者使用 gpt-3.5-turbo 来生成摘要。
摘要步骤将可能大量的检索信息压缩（summarization）到一个可控的大小。

查询有两种方法，基于树遍历（tree traversal）和折叠树（collapsed tree）

查询方法的比较

折叠树方法具有更大的灵活性，F1会更高。