RAG 问答 & 流程追踪
提问并可视化完整 RAG 链路 — 每一步都是透明的
查询路由 → 查询增强 → 向量化 → 检索 → CRAG 校正 → 重排序 → Prompt 构造 → LLM 生成 → Self-RAG 反思
路由
增强
嵌入
检索
CRAG
重排
生成
1
2
3
4
5
6
提问并可视化完整 RAG 链路 — 每一步都是透明的
查询路由 → 查询增强 → 向量化 → 检索 → CRAG 校正 → 重排序 → Prompt 构造 → LLM 生成 → Self-RAG 反思
通过改写、HyDE 假设文档、多路查询等策略增强原始问题，提高检索召回率。
将文本转换为高维向量（数字序列），使计算机能衡量语义相似度而非仅靠关键词匹配。
在向量数据库中搜索与问题最相似的文档片段。支持语义、关键词、混合三种模式。
用 LLM 对检索结果重新评分排序，弥补向量相似度在精确语义理解上的不足。
将检索到的文档片段、系统指令和用户问题组装成结构化 Prompt，引导 LLM 生成。
LLM 根据 Prompt 逐 token 生成回答，并标注引用来源 [1][2] 确保答案可溯源。