迭代增强（Iterative RAG）是一种将 RAG 过程重复执行多次的方法。检索（Retrieve）：基于当前问题或子问题从知识库中检索相关信息；增强（Augment）：将检索结果与已有上下文融合；生成（Generate）：生成中间答案，并从中提取新线索（如关键词、子问题等）；反馈（Feedback）：将新线索用于下一轮检索，形成闭环迭代。多跳问答（Multi-hop QA）复杂推理任务需要多

D, I = index.search(embedding, k=2) # 检索最相关的两个文档print(f"-

首先将原始文档分割成多个大块；然后每个大块进一步被拆分为更小的片段用于精确匹配用户查询；在检索时，使用这些小片段进行匹配，但最终返回的是包含最佳匹配小片段的大块文档给模型处理。这种方法能够在保证检索精度的同时，确保提供给模型足够的上下文信息，以生成更加准确的回答。在构建知识库时，预先为每篇文档生成一个简短的摘要；在检索阶段，首先根据用户的查询匹配摘要；如果摘要匹配成功，则返回对应的原始长文档内容。

print(f"-d } ")d } ")- 《太空日记》——杨利伟写给青少年的航天故事- 《时间简史》是一本关于宇宙起源和发展的经典科普书- 《十万个为什么》第六版涵盖物理、化学、生物等多个领域。

查询增强是指在不改变用户意图的前提下，对原始查询进行扩展、重写或改写，以生成更准确、更具代表性的搜索请求，从而提高检索系统的召回率和准确率。（Q2D）是一种新兴的查询增强策略，其核心思想是通过一个深度学习模型，将用户的原始查询（query）转换为一个伪文档（pseudo-document），该伪文档包含了与原始查询高度相关的语义信息，并可作为增强后的“查询表示”用于后续检索。提高召回率和准确率解决

lightrag/├── lightrag/ # 核心代码模块│ ├── api/ # 核心逻辑：api│ ├── webui/ # 编译后的前端模块│ ├── llm/ # 语言模块引擎模块│ ├── server/ # Web 服务端代码（FastAPI + Vue 前端）│ └── utils/ # 工具类函数：如日志、缓存、token 处理等├── examples/ # 示例脚本。

融合检索是一种将多种检索方法的结果进行加权整合的策略。语义向量检索（Dense Retrieval）：如使用 FAISS 或 ANN 实现的基于 Embedding 的近似最近邻搜索；关键词检索（Sparse Retrieval）：如 BM25 等传统信息检索算法。语义检索能捕捉深层语义关系；BM25 能有效利用关键词频率等结构化信息。通过融合排序（Re-ranking），可以综合两者的优势，提高

是一种基于大语言模型（LLM）的查询增强方法。其核心思想是：给定一个用户查询，使用语言模型生成一段描述性的假设文档，然后将该文档编码为稠密向量，代替原始查询进行检索。

安装cuda版本torch的问题

loss fuction的可视化