让RAG更进一步的利器：教你使用两种出色的Rerank排序模型

文章预览

点击上方 蓝字 关注我们 在高级RAG的应用中，常常会有一些“检索后处理（Post-Retrieval）”的环节。顾名思义，这是在检索出输入问题相关的多个Chunk后，在交给LLM合成答案之前的一个处理环节。在这个环节中，可以做一些诸如相似度过滤、关键词过滤、chunk内容替换等处理。其中， Rerank（重排序） 是一种常见的，也是在RAG应用优化中很常见的一种技术处理环节。 简单的说，Rerank就是对检索出来的多个chunks（或者nodes）列表进行重新排序，使得其排名与用户输入问题的相关性更匹配，使得更相关、更准确的chunk排名更靠前，从而在 LLM生成时能够被优先考虑以提高输出质量。 那么，有了基于向量索引与语义相似度的检索，为什么还需要Rerank？ RAG应用中有多种索引类型，很多索引技术并非基于语义与向量构建，其检索的结果希望借助独立的Rerank实现语 ………………………………