资料内容：
前言
受到 Barnett 等人的论文《Seven Failure Points When Engineering a Retrieval Augmented
Generation System》的启发，本文将探讨论文中提到的七个痛点，以及在开发检索增强型生成
（RAG）流程中常见的五个额外痛点。更为关键的是，我们将深入讨论这些 RAG 痛点的解决策
略，使我们在日常 RAG 开发中能更好地应对这些挑战。
问题一：内容缺失问题
1.1 介绍一下 内容缺失问题？
当实际答案不在知识库中时，RAG 系统往往给出一个貌似合理却错误的答案，而不是承认无法给
出答案。这导致用户接收到误导性信息，造成错误的引导。
1.2 如何 解决 内容缺失问题？
“输入什么，输出什么。”如果源数据质量差，比如充斥着冲突信息，那么无论你如何构建 RAG 流
程，都不可能从杂乱无章的数据中得到有价值的结果。
2. 改进提示方式
在知识库缺乏信息，系统可能给出错误答案的情况下，改进提示方式可以起到显著帮助。
例如，通过设置提示“如果你无法确定答案，请表明你不知道”
可以鼓励模型认识到自己的局限并更透明地表达不确定性。虽然无法保证百分百准确，但在优化数
据源之后，改进提示方式是我们能做的最好努力之一。
问题二：错过排名靠前的文档
2.1 介绍一下 错过排名靠前的文档 问题？
有时候系统在检索资料时，最关键的文件可能并没有出现在返回结果的最前面。这就导致了正确答
案被忽略，系统因此无法给出精准的回答。
即：“问题的答案其实在某个文档里面，只是它没有获得足够高的排名以致于没能呈现给用户”
2.2 如何 解决 错过排名靠前的文档 问题？
在将检索到的结果发送给大型语言模型（LLM）之前，对结果进行重新排名可以显著提升RAG的性
能。LlamaIndex的一个笔记本展示了两种不同方法的效果对比：
