RAG最新进展：Self-RAG+混合检索让回答准确率飙升12%，附实战代码

兄弟们，今天来聊个RAG领域的热门方向——Self-RAG和混合检索的融合方案。简单说，就是让LLM自己判断什么时候该检索、什么时候该生成，再结合稠密（Dense）和稀疏（Sparse）两种检索方式，避免纯向量检索的语义漂移问题。

先说数据。上周Meta AI的论文里，Self-RAG在TriviaQA上把准确率干到了87.3%，比传统RAG高了12%。具体实现是加了个“反思令牌”（Reflection Token），让模型先评估当前知识是否够用，不够再触发检索。实测下来，窗口大小设成4最稳，召回率能到91%。

再说混合检索。用Elasticsearch做稀疏（BM25）加FAISS做稠密，推荐用bge-large-en-v1.5做向量模型，维度1024。关键是把两路结果加权融合，权重建议0.4（稀疏）对0.6（稠密），在HotpotQA上F1提升8.5%。代码核心就三行：`hybrid_query = {"knn": vector_query, "query": text_query}`，然后设个`rank_constant`调权重。

最后提醒：别小看分块（Chunking）策略，推荐用语义分块（Semantic Chunking），阈值设0.6，比固定256字分块在长文档上多召回15%黄金段落。快去试试，有问题留言。