例如对于问题“勒布朗詹姆斯在2005年至2010年在哪些球队？”这个问题因为有时间范围的详细限制比较难直接解决可以提出一个后退问题“勒布朗詹姆斯的职业生涯是怎么样的？”从这个回答的召回结果中再检索上一个问题的答案。
3数据召回 图谱召回：如果在知识分块环节使用了知识图谱那么我们就可以直接用图谱召回大幅提升召回准确度。 Agentic-rag：RAG应用退化成一个Agent使用的知识工具。我们可以针对一个文档/知识库构建多种不同的RAG引擎比如使用向量索引来回答事实性问题；使用摘要索引来回答总结性问题；使用知识图谱索引来回答需要更多关联性的问题等。
在单个文档/知识库的多个RAG引擎之上设置一个DocAgent把RAG引擎作为该Agent的tools并利用LLM的能力由ToolAgent在自己“负责”的文档内使用这些tools来回答问题。最后设置一个总的顶级代理TopAgent来管理所有的低阶DocAgent将DocAgent看作自己的tools仍然利用LLM来规划、协调、执行用户问题的回答方案 聊聊炙手可热的Rag：产生原因、基本原理与实施路径 4内容生成 Prompt优化：RAG系统中的prompt应明确指出回答仅基于搜索结果不要添加任何其他信息。
例如可以设置prompt：“你是一名智能客服。你的目标是提供准确的信息并尽可能帮助提问者解决问题。你应保持友善但不要过于啰嗦。请根据提供的上下文信息在不考虑已有知识的情况下回答相关查询。” 此外使用Few-shot的方法指 也门电话号码列表 导LLM如何利用检索到的知识也是提升LLM生成内容质量的有效方法。