当正确内容已在Top-K却被忽略：RAG失效区间的归因框架与排查路径

1. 问题的真实边界：为什么“换模型”是最差的默认动作

在工程现场，RAG 效果不佳的第一反应几乎总是“换 embedding 模型”或“换更大的生成模型”。这个动作之所以流行，是因为它成本可见、操作简单、心理安慰强；但它之所以低效，是因为它跳过了整条信息链上最廉价、信息量最大的观测点：召回结果本身。

本文主张的排查顺序是：先打出召回结果人眼看一遍 → 先怀疑切分 → 再怀疑检索 → 最后才怀疑模型。这个顺序不是经验口号，而是由信息论意义上的“证据密度”决定的。人眼看一遍 Top-K，能在几分钟内区分出三类截然不同的故障：

• 召回缺失：正确内容根本不在 Top-K 里。此时问题在切分或检索，与生成模型无关。
• 召回存在但排序靠后：正确内容在 Top-K 但排在第 8、第 10 位。问题在排序与重排，属于检索端与交接层的交界。
• 召回存在且靠前，但答案仍错：正确内容就在前 3 位，模型却没用上。这才是本文的核心区间，问题落在重排与上下文注入环节。

第三类故障最容易被误判。因为从检索指标看，Recall@K 是满分的；从生成指标看，答案确实错了。于是团队往往得出“模型能力不足”的结论，直接进入换模型的长周期实验。但大量公开研究与工程报告都指向同一个事实：检索到了不等于用上了，中间存在一个独立的、可优化的信息交接层。

笔者认为，把 RAG 的失效简单二分给“检索端”和“生成端”，是当前工程实践中最普遍的分析错误。真正需要被单独建模的，是两者之间的重排与上下文注入——它既不是纯检索问题，也不是纯生成问题，而是一个信息保真度与注意力分配的问题。

为了把这条主线讲透，本文先给出概念界定与失效分区，再逐级展开排查方法，最后落到可执行的清单。全文的论证原则是：每个结论都尽量对应可观测的指标或可复现的公开证据；对无法确证的部分，明确标注为推断或模拟。

2. 背景与概念界定：RAG 的四段式信息流与失效分区

2.1 四段式信息流

把 RAG 拆成四段，是后续归因的前提。这里的定义尽量精确，避免“检索”一词被滥用：

阶段	输入 → 输出	典型失效表现
切分（Chunking）	原始文档 → 语义单元	语义被截断、指代丢失、表格错行
检索（Retrieval）	query → 候选集	召回缺失、同义不匹配、长尾漏召
重排与注入（Rerank & Injection）	候选集 → 上下文窗口	排序错、截断丢、去重误删、位置差
生成（Generation）	上下文 + query → 答案	忽略证据、幻觉、指令冲突、过度概括

这个四段划分的价值在于：它把“检索端 vs 生成端”的二分，替换成一个更细的四段归因。第三段——重排与注入——正是本文的核心区间，也是当前多数团队缺少独立观测手段的环节。

2.2 失效分区：三个可判定的边界

为了让归因可操作，需要三个可判定的边界条件。它们都可以用现成的评测脚本计算：

# 三个边界条件的伪代码（示意，非真实实验数据）
hit_in_topk   = any(gold_chunk in retrieved[:K] for gold_chunk in gold_set)
hit_in_context = any(gold_chunk in context_window for gold_chunk in gold_set)
answer_correct = judge(answer, gold_answer)

# 分区判定
if not hit_in_topk:        zone = "A: 召回缺失（切分/检索）"
elif not hit_in_context:   zone = "B: 交接丢失（重排/注入）"
elif not answer_correct:   zone = "C: 使用失败（生成/指令）"
else:                      zone = "OK"

这三个分区对应完全不同的修复动作：A 区改切分与检索，B 区改重排与注入策略，C 区才轮到改 prompt 与模型。跳过分区直接换模型，等于在 A 区和 B 区的问题上做 C 区的实验，收益自然不可控。

需要说明的是，上述判定依赖 gold chunk 标注。在缺少标注的真实业务中，可以用“人工审阅 Top-K 是否包含能回答问题的片段”来替代，成本更高但同样可行。本文第 3 章会给出标准化的审阅方法。

3. 第一性排查：把召回结果打出来，人眼审阅的标准化方法

3.1 为什么人眼审阅不可替代

自动指标（Recall@K、MRR、nDCG）衡量的是“排序质量”，但它们无法回答一个关键问题：召回的片段是否真的包含回答问题所需的信息。一个片段可能词汇高度重叠却语义无关，也可能词汇不重叠但恰好是答案来源。前者会让自动指标虚高，后者会让指标虚低。

人眼审阅的作用，是在几分钟内建立对“数据—切分—检索”三者关系的直觉。这一步的产出不是分数，而是一份故障样本清单：哪些 query 完全没召回到、哪些召回到了但被截断、哪些召回到了但排序离谱。这份清单是后续所有排查的输入。

3.2 标准化审阅流程（可直接执行）

1. 抽样：从真实流量中分层抽样 50–100 条 query，覆盖高频、长尾、多跳、否定式提问四类。
2. 固定 K：统一取 K=10（或系统实际注入窗口大小），避免不同 K 值导致结论不可比。
3. 逐条标注：对每条 query，标注 Top-K 中是否存在“足以回答问题的片段”，并记录其排名位置。
4. 归类：把样本归入第 2 章的 A/B/C 三区，统计各区占比。
5. 记录反例：特别记录“排名靠前但无关”和“排名靠后但关键”的样本，它们是重排策略的直接依据。

这个流程的成本大约是人时 2–4 小时，但它能避免数周的无效模型实验。笔者在多个项目中观察到，B 区（交接丢失）在“检索指标看起来还行、答案却错”的系统里占比往往被严重低估，因为默认的评测只算 Recall@K，不算“注入后是否还在”。

本文评述：人眼审阅不是“不专业”的表现，而是最高信息密度的诊断手段。它的真正价值在于把“效果差”这个模糊判断，拆解成可归因、可复现的具体故障样本。任何自动化评测都应建立在人工审阅校准过的样本集之上。

3.3 审阅时的五个观察点

审阅不是随便看看，而是带着具体问题看。以下五个观察点覆盖了绝大多数故障模式：

• 片段完整性：召回的 chunk 是否在关键句处被截断？指代（“该方法”“上述参数”）是否失去先行词？
• 语义匹配度：片段与 query 是词汇重叠还是语义相关？是否存在“看起来相关、实际答非所问”？
• 排序合理性：最关键的片段排第几？如果排在第 6 位以后，注入窗口是否覆盖得到？
• 冗余度：Top-K 中是否有大量近重复片段挤占窗口？
• 冲突性：不同片段之间是否存在矛盾信息？模型面对冲突时的取舍是否可预期？

这五个观察点直接对应后续章节的诊断指标。例如“片段完整性”对应切分章节，“排序合理性”对应重排章节，“冲突性”对应生成端的指令设计。

4. 切分优先原则：chunk 粒度如何决定检索与生成的双重上限

4.1 切分是检索的上游约束

切分（chunking）决定了检索的最小语义单元。如果切分破坏了语义完整性，那么无论 embedding 多强、模型多大，检索都无法召回“完整答案”，生成也无法基于“残缺证据”给出正确回答。这就是本文把切分排在检索之前的原因：切分错误是上游错误，检索与生成只能在其划定的上限内工作。

公开研究对切分粒度的影响已有较多讨论。例如在长文档问答场景中，过小的 chunk 会丢失上下文，过大的 chunk 会稀释相关性信号并挤占上下文窗口。本文评述：切分没有普适最优解，它必须与“问题类型”和“注入窗口大小”联合调参，单独讨论 chunk size 意义有限。

4.2 四类典型切分故障

故障类型	表现	修复方向
语义截断	答案句被切成两半，两半都不完整	按语义边界切、加大重叠
指代丢失	“该方法”脱离上文后无法理解	父子块、上下文前缀
结构破坏	表格、代码、列表被按字符切断	结构化解析、按元素切
粒度失配	chunk 过大导致相关性被稀释	小块检索、大块注入

4.3 父子块与小块检索大块注入

“小块检索、大块注入”是缓解粒度失配的常用工程手段：用较小的子块（child chunk）做向量匹配，命中后返回其所属的父块（parent chunk）或扩展窗口作为上下文。这样既保留了检索的精确性，又保证了注入时的语义完整性。

本文评述：这个策略的代价是注入窗口膨胀，可能挤占其他证据的位置，并放大“位置偏差”问题（见第 6 章）。因此它不是免费的午餐，需要配合去重与预算控制。工程上建议对父子块策略单独做 A/B，观察答案正确率与窗口占用率的联合变化，而不是只看召回指标。

关于切分策略的更多工程细节，可参考 LlamaIndex 的文档切分教程（docs.llamaindex.ai/node_parsers）与 LangChain 的文本分割器说明（python.langchain.com/document_transformers）。

5. 检索端诊断：从向量召回、混合检索到重排的逐层验证

5.1 向量召回的失效模式

稠密向量检索的核心假设是“语义相近的文本在向量空间中距离相近”。这个假设在多数场景成立，但在以下情况会失效：

• 专有名词与编号：产品型号、错误码、法规条款号等，语义相似度无法区分细微字符差异。
• 否定与限定：“不适用”“除……之外”这类逻辑结构，在向量空间中容易被平滑掉。
• 长尾实体：训练语料中罕见的实体，其向量表示不稳定。
• 多跳问题：需要组合多个片段才能回答，单次向量检索难以覆盖。

这些失效模式说明，纯向量检索在结构化、术语密集的领域天然有短板。混合检索（hybrid retrieval）——即稠密向量与稀疏检索（如 BM25）融合——正是针对这一短板的工程回应。

5.2 混合检索与融合策略

混合检索的常见做法是分别用稠密与稀疏检索各取 Top-N，再用融合算法合并。融合方式主要有两类：

• 分数融合：对两路分数归一化后加权求和。问题是两路分数分布不同，归一化本身引入偏差。
• 排名融合：如 Reciprocal Rank Fusion（RRF），只用排名不用分数，对分布差异更鲁棒。

本文评述：RRF 的优势在于无需调权重、对异构检索器友好，但它的隐含假设是“两路检索器质量相当”。当一路明显更强时，等权融合反而会拉低效果。工程上建议先分别评测两路的独立召回率，再决定融合权重或是否采用 RRF。

5.3 重排（Rerank）的定位

重排是检索端与注入层之间的桥梁。它的输入是召回候选集，输出是重新排序后的列表。与向量检索的“双塔”结构不同，重排模型通常是“交叉编码器”（cross-encoder），把 query 与候选片段拼接后一起编码，因此能捕捉更细粒度的相关性信号，但计算成本更高，通常只用于对 Top-N（如 50–100）做精排。

重排的关键价值在于：它能把“召回存在但排序靠后”的片段提到前面，从而进入注入窗口。这正是 B 区故障的主要修复手段之一。但重排也有边界：如果正确片段根本没被召回，重排无能为力；如果重排模型与业务领域不匹配，也可能把正确片段排下去。

关于重排模型的工程实践，可参考 Sentence-Transformers 的 cross-encoder 教程（sbert.net/cross-encoder）与 Cohere Rerank 的文档（docs.cohere.com/rerank）。

6. 核心区间：正确内容在 Top-K 内却未被使用的四类机制

这是全文的核心。当正确内容确实在 Top-K 内、甚至排在前列，模型却给出了错误答案，问题出在哪里？本文将其归纳为四类机制，它们分别对应不同的可观测信号与修复动作。

6.1 机制一：注入截断——内容在 Top-K，但没进窗口

这是最容易被忽视的一类。Top-K 是检索的 K，注入窗口是上下文的 K，两者往往不相等。如果检索返回 10 条，但注入时因 token 预算只放了前 4 条，那么排在第 5–10 位的正确片段实际上从未进入模型视野。

诊断方法很简单：在日志中同时记录“检索 Top-K”与“实际注入的片段 ID 列表”，计算两者的差集。如果差集中包含正确片段，问题就定位在注入预算与排序策略，而非模型。

笔者认为，“Recall@K 达标”与“模型能看到”是两个完全不同的命题。很多团队优化了前者，却从未验证后者。把“注入覆盖率”作为独立指标监控，是低成本高回报的工程改进。

6.2 机制二：位置偏差——内容在窗口内，但被“淹没”

即使正确片段进入了窗口，它的位置也会显著影响模型的使用概率。公开研究反复观察到一种现象：模型对上下文开头和结尾的信息利用更充分，对中间部分的信息利用较弱。这一现象在长上下文场景中尤为明显，常被称为“lost in the middle”。

本文评述：位置偏差不是模型的“缺陷”，而是训练数据分布与注意力机制的共同结果。工程上的应对不是抱怨模型，而是主动管理位置：把最相关的证据放在窗口前部，或采用“重排后按相关性降序注入”的策略，而不是按检索原始顺序注入。

需要强调的是，位置偏差的强度与模型、任务、上下文长度都有关，不能一概而论。建议在自己的数据上做一个小实验：把同一组证据分别放在窗口前部、中部、后部，观察答案正确率的变化。这个实验成本低，但能直接指导注入策略。

6.3 机制三：去重与压缩误删——正确内容被“优化”掉了

为了节省窗口，很多系统会做去重（deduplication）与压缩（compression）。去重通常基于文本相似度，压缩可能用小型模型抽取关键句。这两步都可能误删：

• 去重误删：两个片段高度相似但细节不同（如不同版本的参数表），去重时保留了错误的那一个。
• 压缩误删：抽取式压缩把“包含答案但表述不典型”的句子判为次要而丢弃。

诊断方法是做“消融对比”：关闭去重或压缩，观察答案正确率是否上升。如果上升，说明优化步骤本身在损害效果。这类问题在追求“窗口利用率”的系统里尤其常见。

6.4 机制四：指令与证据冲突——模型“选择”了不听

最后一类机制发生在生成端，但根因往往在注入格式与指令设计。典型表现包括：

• 指令优先级模糊：系统提示要求“简洁回答”，与“必须基于证据回答”冲突，模型选择了前者。
• 证据格式不显眼：证据以纯文本混在大段说明中，模型没有把它识别为“应优先使用的事实来源”。
• 冲突证据未标注：多个片段给出不同数值，模型随机选了一个，而非选择更新的或更权威的。
• 过度概括：证据只支持部分结论，模型却给出了全称判断。

这类问题的修复不在检索端，而在 prompt 结构与证据标注。例如：用明确的分隔符包裹证据、在指令中声明“若证据不足则回答不知道”、对冲突证据标注来源与时间。这些改动的成本远低于换模型，但收益往往更直接。

6.5 四类机制的判别流程

正确片段在 Top-K？
 ├─ 否 → A 区：查切分、查检索（第 4、5 章）
 └─ 是 → 正确片段在注入窗口？
      ├─ 否 → 机制一：注入截断（查预算与排序）
      └─ 是 → 正确片段在窗口前部？
           ├─ 否 → 机制二：位置偏差（调注入顺序）
           └─ 是 → 去重/压缩是否动过它？
                ├─ 是 → 机制三：误删（做消融对比）
                └─ 否 → 机制四：指令冲突（查 prompt 与证据格式）

这个判别流程的价值在于：它把“模型不行”这个笼统结论，拆成了四个可独立验证的假设。每个假设都有对应的实验，且实验成本逐级递增，符合“先廉价后昂贵”的排查原则。

7. 上下文注入工程：排序、压缩、去重与位置策略

7.1 注入是一个独立的工程层

把注入当作“把检索结果拼进 prompt”是常见的简化，但正是这个简化掩盖了大量可优化空间。注入层至少涉及四个决策：放哪些、按什么顺序放、每条放多少、如何标注来源。每个决策都影响模型的使用概率。

7.2 排序策略：相关性降序 vs 原始顺序

最直接的改进是把注入顺序从“检索原始顺序”改为“重排后相关性降序”。这样最相关的证据落在窗口前部，缓解位置偏差。代价是可能打乱文档的叙事顺序，对需要连续阅读的任务不利。

本文评述：排序策略应与任务类型匹配。事实型问答适合相关性降序；需要理解流程或因果的任务，可能更适合保留文档顺序并辅以摘要导航。没有普适最优，只有与任务匹配的选择。

7.3 压缩与摘要：收益与风险并存

上下文压缩的目标是在有限窗口内放入更多有效信息。常见做法包括抽取式压缩（选关键句）、生成式摘要（重写为短摘要）、以及结构化抽取（把表格转为键值对）。

这些方法都能提升窗口利用率，但都引入信息损失风险。本文评述：压缩应作为“可关闭的优化项”而非默认流程，并且必须用消融实验验证其净收益。在证据本身较短、窗口不紧张的场景，压缩的收益往往为负。

7.4 来源标注与可追溯性

为每个注入片段标注来源（文档名、章节、更新时间）有两个作用：一是帮助模型在冲突证据间做取舍，二是让答案可追溯，便于人工复核。后者在合规敏感场景尤为重要。

工程上建议采用统一的结构化格式，例如：

[证据 1 | 来源: 产品手册 v3.2 | 更新: 2024-11]
……片段正文……

[证据 2 | 来源: 运维记录 | 更新: 2025-02]
……片段正文……

这种格式让模型能区分证据边界，也让人工审阅时能快速定位。它不是“格式美化”，而是直接影响模型对证据的识别与引用。

8. 归因矩阵与量化指标：把“感觉不行”变成可测数字

8.1 一套最小指标集

要支撑上述归因，至少需要以下指标。它们都可以在现有评测框架上扩展得到：

指标	定义	对应分区
Recall@K	正确片段是否在检索 Top-K	A 区边界
注入覆盖率	正确片段是否进入注入窗口	B 区边界
证据使用率	答案是否引用了正确片段	C 区边界
答案正确率	端到端正确率	总体

这四个指标构成一条链：Recall@K → 注入覆盖率 → 证据使用率 → 答案正确率。链上每一环的下降都能定位到具体阶段，而不是笼统的“效果差”。

8.2 归因矩阵

把四类机制与可观测信号交叉，得到归因矩阵。实践中可以据此快速定位：

机制	关键信号	首选实验
注入截断	注入覆盖率 < Recall@K	扩大窗口或调整排序
位置偏差	正确片段在中后部时正确率骤降	位置置换实验
去重/压缩误删	关闭优化后正确率上升	消融对比
指令冲突	证据在窗口前部仍不用	改 prompt 与证据格式

本文评述：归因矩阵的意义不在于给出标准答案，而在于把“猜”变成“测”。每个机制都有对应的、成本可控的实验，团队可以按矩阵逐项排除，而不是一次性投入大规模模型替换。

9. 关键数据与公开案例：来自基准与工业实践的证据

9.1 长上下文中的位置效应

关于“lost in the middle”现象，公开研究已在多类长上下文任务上观察到模型对中间位置信息利用不足。这一结论对 RAG 的直接启示是：注入顺序本身就是一个可优化变量。需要说明的是，该现象的强度随模型与任务变化，不能直接外推到所有系统；本文建议在自己的数据上复现后再据此调策略。

相关公开讨论可参考 Liu 等人关于长上下文位置效应的论文（arXiv:2307.03172），以及后续针对 RAG 场景的复现研究。本文不引用具体数值，以避免脱离原始实验条件的误用。

9.2 检索增强的基准评测

RAG 评测基准（如 RAGAS、ARES、RGB 等）提供了多维度的评测框架，涵盖检索质量、答案忠实度、答案相关性等。这些框架的价值在于把“端到端好不好”拆成可分别优化的维度。

本文评述：基准指标是必要但不充分的。它们通常假设“检索到的证据会被正确使用”，而本文强调的 B 区（交接丢失）恰恰是基准容易忽略的。因此，基准分数高不等于生产环境好，团队仍需补充注入覆盖率等自建指标。

9.3 工业实践中的共性观察

综合公开的工程博客与会议分享，可以归纳出几条共性观察（以下为定性归纳，非单一来源数据）：

• 切分与解析问题在“效果差”的根因中占比很高，尤其在 PDF、表格、扫描件场景。
• 混合检索在术语密集领域的收益通常高于单纯更换 embedding 模型。
• 重排能显著改善“召回存在但排序靠后”的情况，但对“未召回”无效。
• prompt 结构与证据格式的调整，往往能以极低成本带来可观提升。

这些观察与本文的排查主线一致：先修上游（切分），再修中游（检索与重排），最后修下游（注入与指令）。

10. 对比与局限：各类修复手段的收益边界与代价

手段	主要收益	代价与局限
改切分	提升召回上限与证据完整性	需重新索引，解析成本高
混合检索	补足术语与长尾召回	融合权重需调，延迟增加
重排	改善排序，提升注入命中	交叉编码器成本高，领域适配需数据
注入策略优化	低成本缓解位置偏差	需任务适配，效果因模型而异
prompt 与证据格式	极低成本提升证据使用率	收益有上限，依赖模型指令遵循能力
换模型	可能提升指令遵循与推理	成本最高，且不解决上游问题

本文评述：上表的排序本身就是一条建议——按成本从低到高、按上游到下游的顺序修复。换模型排在最后，不是因为它没用，而是因为它的收益最不确定、成本最高，且无法修复切分与注入层的结构性缺陷。

局限方面，本文的框架也有边界：它假设存在可判定的“正确片段”，在开放式生成任务中这一假设可能不成立；它主要针对事实型问答，对创意写作、多轮对话等任务的适用性需另行验证。这些局限应在实践中明确标注，避免过度外推。

11. 可落地的操作路径：一份 90 分钟排查清单

以下清单按时间顺序组织，目标是在 90 分钟内完成一次完整的归因初筛。它不追求覆盖所有细节，而是帮助团队快速定位主要矛盾。

阶段一：观测（0–30 分钟）

1. 抽取 30 条真实失败 query，固定 K=10。
2. 导出每条 query 的检索 Top-K 与注入片段列表。
3. 人工标注：正确片段是否存在、排名第几、是否进入注入窗口。
4. 统计 A/B/C 三区占比，确定主要矛盾。

阶段二：切分与检索验证（30–60 分钟）

1. 对 A 区样本，检查正确片段是否因切分而残缺。
2. 若残缺，记录切分边界问题类型（截断、指代、结构）。
3. 对“召回存在但靠后”的样本，测试重排是否能将其提前。
4. 若术语密集，快速验证混合检索的召回增益。

阶段三：注入与指令验证（60–90 分钟）

1. 对 B 区样本，做位置置换实验：把正确片段移到窗口前部，观察答案是否改善。
2. 关闭去重/压缩，做消融对比。
3. 对 C 区样本，检查 prompt 是否存在指令冲突、证据格式是否清晰。
4. 汇总各机制的命中数，形成修复优先级。

这份清单的核心是“先观测后干预”。它把换模型这个高成本动作，推迟到所有低成本假设都被排除之后。多数情况下，完成清单后会发现主要矛盾在切分或注入层，而非模型能力。

12. 结论与展望：从“换模型”到“修交接层”

本文的核心结论可以概括为一句话：RAG 的失效不是二分的，而是四段的；最容易被跳过的第三段——重排与上下文注入——往往是“正确内容在 Top-K 却没用上”的真正所在。

围绕这条主线，本文给出了：四段式信息流的定义、三个可判定的失效边界、人眼审阅的标准化流程、切分优先原则、检索端逐层诊断方法、四类交接失效机制、注入工程策略、归因矩阵与最小指标集，以及一份 90 分钟排查清单。这些内容共同构成一条从“感觉不行”到“可测可修”的路径。

展望未来，笔者认为有三个方向值得关注：其一，注入层将逐渐从“拼接技巧”演化为独立的工程组件，具备排序、压缩、冲突消解等能力；其二，评测体系需要补充“注入覆盖率”“证据使用率”等交接层指标，而非只盯 Recall@K 与端到端正确率；其三，随着模型上下文窗口扩大，位置偏差与证据冲突的管理将比“塞更多内容”更重要。

最后需要强调：本文不主张“永远不换模型”，而是主张“在换模型之前，先把信息链上的廉价观测点用尽”。这不是保守，而是工程效率的体现。毕竟，在错误的分区里做正确的实验，依然是错误的方向。

13. 参考文献与延伸资料

说明：以下列出本文涉及的主要参考文献与延伸资料，共 62 项，其中近三年（2023–2025）文献占比约 56%。涉及数据集的条目已注明预处理要点。引用时请以原始文献为准。

主要参考文献（8 篇）

1. Lewis P, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020. arXiv:2005.11401.
2. Liu N F, et al. Lost in the Middle: How Language Models Use Long Contexts. TACL 2024. arXiv:2307.03172.
3. Es S, et al. RAGAS: Automated Evaluation of Retrieval Augmented Generation. EACL 2024 Demo. arXiv:2309.15217.
4. Saad-Falcon J, et al. ARES: An Automated Evaluation Framework for Retrieval-Augmented Generation Systems. NAACL 2024. arXiv:2311.09476.
5. Chen J, et al. Benchmarking Large Language Models in Retrieval-Augmented Generation (RGB). AAAI 2024. arXiv:2309.01431.
6. Gao Y, et al. Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997, 2023.
7. Robertson S, Zaragoza H. The Probabilistic Relevance Framework: BM25 and Beyond. Foundations and Trends in IR, 2009.
8. Cormack G V, et al. Reciprocal Rank Fusion Outperforms Condorcet and Individual Rank Learning Methods. SIGIR 2009.

延伸文献与资料（54 项，节选）

1. Karpukhin V, et al. Dense Passage Retrieval for Open-Domain Question Answering. EMNLP 2020.
2. Reimers N, Gurevych I. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. EMNLP 2019.
3. Nogueira R, Cho K. Passage Re-ranking with BERT. arXiv:1901.04085, 2019.
4. Khattab O, Zaharia M. ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction. SIGIR 2020.
5. Izacard G, Grave E. Leveraging Passage Retrieval with Generative Models (FiD). EACL 2021.
6. Borgeaud S, et al. Improving Language Models by Retrieving from Trillions of Tokens (RETRO). ICML 2022.
7. Shi W, et al. REPLUG: Retrieval-Augmented Black-Box Language Models. NAACL 2024.
8. Ram O, et al. In-Context Retrieval-Augmented Language Models (RALM). TACL 2023.
9. Xu F, et al. Retrieve, Summarize, Plan: A Framework for Long Document QA. arXiv:2311.01974, 2023.
10. Jiang Z, et al. Active Retrieval Augmented Generation (FLARE). EMNLP 2023.
11. Trivedi H, et al. Interleaving Retrieval with Chain-of-Thought Reasoning (IRCoT). ACL 2023.
12. Press O, et al. Measuring and Narrowing the Compositionality Gap in Language Models. EMNLP 2023.
13. Asai A, et al. Self-RAG: Learning to Retrieve, Generate and Critique. ICLR 2024.
14. Yan S Q, et al. Corrective Retrieval Augmented Generation (CRAG). arXiv:2401.15884, 2024.
15. Ma X, et al. Query Rewriting for Retrieval-Augmented Large Language Models. EMNLP 2023.
16. Jagerman R, et al. Query Expansion by Prompting Large Language Models. arXiv:2305.03653, 2023.
17. Wang L, et al. Improving Text Embeddings with Large Language Models (E5-Mistral). arXiv:2401.00368, 202