构建RAG系统必学的15大检索技术清单，助你打造更智能、更精准的AI应用：

1. BM25 —— 经典的稀疏检索基石
2. Dense Retrieval —— 向量密集检索提升语义匹配
3. ColBERT —— 高效的Late Interaction向量模型
4. DPR (Dense Passage Retrieval) —— 问答系统利器
5. ANN索引（FAISS、HNSW）—— 大规模向量搜索加速
6. 向量量化 —— 降低存储成本，提升检索速度
7. 重新排序（Cross-Encoder）—— 精准提升最终结果
8. Late Interaction 模型 —— 灵活平衡效率与效果
9. Embedding归一化 —— 保证向量一致性
10. 元数据过滤 —— 精细控制检索范围
11. 上下文窗口打包 —— 增强信息整合能力
12. 分块策略 —— 优化长文本处理
13. 上下文压缩 —— 减少冗余，保持核心信息
14. 动态检索策略 —— 实时调整检索行为
15. 自适应RAG（Self-RAG）—— 未来检索的智能自进化

🔥 2025年的RAG不仅是更好的embedding，更是“更聪明的检索”：

- 多向量检索（HyDE/SPAR）
- 专家混合检索器（Mixture-of-experts）
- 检索校准（不确定性感知）
- 查询重写循环
- 推理时动态检索（真正的Self-RAG）

同时，图检索（Graph RAG）正崛起，结合符号与向量检索，通过知识关系连接，极大提升多步推理与语境理解能力。

💡 经验分享：混合稀疏+密集检索是提升准确率25%的有效方案。检索是RAG的核心，生成只是锦上添花。

---

原推文链接：x.com/asmah2107/status/1975917109743108452