**Naive RAG 与 Advanced RAG 的核心区别在于：**Naive RAG 只是“取相似段落 + 拼接给大模型”，而 Advanced RAG 则引入多层过滤、压缩和知识增强，使检索更准、上下文更干净、回答更可靠。Naive RAG 使用单次向量检索，容易受到噪声片段、长文档稀释和幻觉影响；Advanced RAG 则通过多路召回（BM25 + Embedding）、段落切分优化、ReRank 重新排序、Selective Context/LLMLingua 压缩无关信息，以及检索后推理（ReAct / GraphRAG / Query Rewrite）来保证模型只看到最有用、最精炼的知识，从而大幅提高准确率、减少幻觉并显著降低 Token 成本。
**简单说：**Naive RAG 是“把文档喂给模型”，Advanced RAG 是“挑最 relevant + 最精华的上下文，让模型以最小的成本说最正确的话”。
Advanced RAG的索引优化
检索前的优化
**数据粒度优化：**修订简化内容确保正确性，删除不相关信息消除歧义，维护上下文连贯性
优化索引结构：
- chunk大小调整：根据场景特性动态切割文本，过大导致噪声增加，过小丢失上下文关联
- 图数据索引（知识图谱）：建立节点关系网络实现跨索引查询，如感冒药有哪些副作用？查询场景中，先用问题丢给向量数据库得到一些文档，再通过图谱找到"感冒药1/2/3"相关的知识，把这些知识丢给向量数据库再得到一些文档，最后把这些文档融合到一起，在丢给大模型给我们回答
层级索引构建：构建多层索引结构以提高检索效率，先生成文档摘要层（20字代替1000字），快速定位后再精查具体chunk
- **加入元数据信息：**如对会议纪要、新闻等时效数据标注日期，标题等加入元数据
- **混合检索与对齐优化：**对一份文档预设用户可能会提问的问题，用户查询时，先把用户的问题对文档预设问题进行相似度的检索，这和多层索引有点像（多层索引是提炼文档的摘要，这里是提炼可能会问的问题）
检索中的优化
- 微调Embedding模型：利用特定场景的语料去微调embedding模型将知识嵌入到模型中，但比较少用
- 领域适配微调：使用金融/医疗等垂直语料微调向量模型，提升专业术语捕捉能力
- 冷启动方案：先用通用模型检索，积累足够数据后再进行微调迭代
- 效果边界：当领域术语占比超30%时建议微调，否则可能带来过拟合
检索后的优化
- **ReRank机制：**用BERT等模型对Top100结果重排序，比如拿到前3个最相关
- **Prompt Compression：**对ReRank机制后的3个结果，再进行压缩无关上下文、突出关键段落、减少整体上下文长度，Selective Context （利用小模型（或稀疏模型）对文本进行片段级评分）和 LLMLingua （LLMLingua 是由微软发布的一种 大模型 Prompt 压缩框，利用小模型对文本做逐句重要性评估）等方法利用小语言模型来做
 | 概念理论介绍+ 代码实操)
