03 - 生成与融合

定位: RAG Pipeline 的输出端——如何将检索到的上下文与生成模型协同，产生高质量回答 面试高频度: ⭐⭐⭐⭐

一、板块在体系中的位置

上游：02-检索系统（检索结果作为本板块输入）
  │
  ▼
【03-生成与融合】 ← 你现在在这里
  │  ┌────────────────────────────────┐
  │  │ 检索结果 → Prompt拼接 → 生成回答 │
  │  │ 上下文管理 → 查询转换 → 多模态  │
  │  └────────────────────────────────┘
  │
  ▼
下游：04-进阶RAG模式（在本板块基础上叠加复杂策略）

二、知识全景图

┌───────────────────────────────────────────────────────────┐
│                   RAG 生成与融合 Pipeline                    │
│                                                            │
│               ┌──────────────────┐                          │
│               │ 查询(用户输入)    │                          │
│               └────────┬─────────┘                          │
│                        ▼                                    │
│  ┌───────────────────────────────────────────┐              │
│  │         查询转换层 (Query Transformation)  │              │
│  │  HyDE  │  Multi-Query  │  Step-back  │ 路由 │              │
│  └───────────────────────────────────────────┘              │
│                        │                                    │
│                        ▼                                    │
│  ┌───────────────────────────────────────────┐              │
│  │      上下文组装层 (Context Assembly)       │              │
│  │  检索结果 → 窗口裁剪 → 优先级排序 → 注入   │              │
│  └───────────────────────────────────────────┘              │
│                        │                                    │
│                        ▼                                    │
│  ┌───────────────────────────────────────────┐              │
│  │      生成层 (Generation)                   │              │
│  │  Prompt 模板 → 模型推理 → 输出格式化       │              │
│  └───────────────────────────────────────────┘              │
│                                                            │
│  输出：包含引用的结构化回答 / 代码 / 多模态内容              │
└───────────────────────────────────────────────────────────┘

三、子专题导航

#	主题	面试频率	核心内容
**生成模型选择与Prompt设计**	模型选择与Prompt	⭐⭐⭐⭐	模型能力权衡、Prompt模板结构
**上下文窗口管理**	上下文窗口管理	⭐⭐⭐⭐	窗口限制、信息压缩、MapReduce
**HyDE与查询转换**	HyDE与查询转换	⭐⭐⭐	HyDE、Multi-Query、查询路由
**多模态RAG**	多模态RAG	⭐⭐⭐	图文混合、多向量存储

四、核心考点速记

1. RAG 中 Prompt 模板的关键要素

系统指令：角色设定 + 回答规则 + 引文要求
上下文块：检索到的文档块（按相关性排序）
用户问题：原始查询
约束条件：不知道就说不懂，不要编造

2. 上下文窗口不够怎么办？

策略层级（从简单到复杂）：
  ① 裁剪策略：只保留最相关的 Top-k 块
  ② 压缩策略：用 LLM 对上下文做摘要/提取
  ③ 分治策略：MapReduce 模式（多轮对话聚合）
  ④ 优化策略：用 RAPTOR 或分层摘要预先压缩

3. HyDE 的核心思想？

问题：查询和文档的表述方式不同 → 向量相似度不准确
解法：先让 LLM 假设一个理想文档 → 用这个文档去检索
       → 查询 → (LLM) → 伪文档 → (Encoder) → 向量 → 检索
效果：对短查询/表述差异大的场景提升显著

📚 相关文件

• **RAG文库设计文档**
• **检索系统索引**
• ← 返回 **RAG文库设计文档**