我们今天继续看RAG相关进展，目前我们已经总结了很多了，包括各种RAG的变体，但是纸上得来终觉浅，绝知此事要躬行，还是要实践。那么，如何进行实践，用好github，并研究代码本身，增进理解。
因此，本文来介绍RAG的21个常用优化策略及notebook实践，大家可以练起来，仅此一事
抓住根本问题，做根因，专题化，体系化，会有更多深度思考。大家一起加油。
RAG的21个常用优化策略及notebook实践
关于RAG的一些常用优化策略，重复重复再重复，温故而知新，https://github.com/FareedKhan-dev/all-rag-techniques，直接可实操，有notebook，21个。大家可以练起来。
1、 Simple RAG，简单的RAG，一个基础的RAG实现。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/1_simple_rag.ipynb
2、Semantic Chunking，语义分块，根据语义相似性分割文本，以获得更有意义的文本块。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/2_semantic_chunking.ipynb
3、Chunk Size Selector，分块大小选择器，探索不同分块大小对检索性能的影响。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/3_chunk_size_selector.ipynb
4、Context Enriched RAG，上下文增强的RAG，检索相邻的分块以提供更多上下文信息。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/4_context_enriched_rag.ipynb
5、Contextual Chunk Headers，上下文分块标题，在嵌入之前，为每个分块添加描述性的标题。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/5_contextual_chunk_headers_rag.ipynb
6、Document Augmentation RAG，文档增强的RAG，从文本分块生成问题，以增强检索过程。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/6_doc_augmentation_rag.ipynb
7、Query Transform，查询转换，重写、扩展或分解查询以改善检索效果，包括回退提示和子查询分解。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/7_query_transform.ipynb
8、Reranker，重排器，使用大模型（LLM）重新对最初检索到的结果进行排序，以提高相关性。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/8_reranker.ipynb
9、RSE，相关段落提取，识别并重构连续的文本段落，保留上下文。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/9_rse.ipynb
10、Contextual Compression，上下文压缩，实现上下文压缩，以过滤和压缩检索到的分块，最大化相关信息。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/10_contextual_compression.ipynb
11、Feedback Loop RAG，反馈循环的RAG， 结合用户反馈，随着时间的推移学习并改进RAG系统。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/11_feedback_loop_rag.ipynb
12、Adaptive RAG，自适应的RAG，根据查询类型动态选择最佳检索策略。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/12_adaptive_rag.ipynb
13、Self RAG，自我RAG，实现自我RAG，动态决定何时以及如何检索，评估相关性，并评估支持和效用。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/13_self_rag.ipynb
14、Proposition Chunking，命题分块。将文档分解为原子性的事实陈述，以实现精确检索。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/14_proposition_chunking.ipynb
15、Multimodel RAG，多模态RAG，结合文本和图像进行检索，使用LLaVA为图像生成标题。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/15_multimodel_rag.ipynb
16、Fusion RAG，融合RAG，将向量搜索与基于关键词（BM25）的检索相结合，以获得更好的结果。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/16_fusion_rag.ipynb
17、Graph RAG，将知识组织成图，便于遍历相关概念。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/17_graph_rag.ipynb
18、Hierarchy RAG，层次RAG，构建层次索引（摘要+详细分块），以实现高效检索。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/18_hierarchy_rag.ipynb
19、HyDE RAG，使用假设性文档嵌入来改善语义匹配。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/19_HyDE_rag.ipynb
20、CRAG，纠正性RAG，动态评估检索质量，并使用网络搜索作为后备。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/20_crag.ipynb
21、Rag with RL，带强化学习的RAG，使用强化学习最大化RAG模型的奖励。
地址：https://kkgithub.com/FareedKhan-dev/all-rag-techniques/blob/main/21_rag_with_rl.ipynb
代码细节：
因此，还是那句，开源的东西很多，大家如果涉及到实操，一定是读看github，多看readme，多看issue，这些都是免费的、开源的。
参考文献
1、https://github.com/FareedKhan-dev/all-rag-techniques
（文：老刘说NLP）