--- title: "RAG-mönster" source: "https://systems-analysis.info/int/RAG-m%C3%B6nster" wiki: "systems-analysis.info/int" article: "RAG-mönster" language: "sv" categories: - "Category:Large language models" - "Category:Prompt engineering" - "Category:Swedish" revision_id: 6103 wiki_created_at: 2026-09-06T23:58:22Z wiki_modified_at: 2026-09-06T23:58:22Z downloaded_at: 2026-09-07T23:12:01Z --- # RAG-mönster **RAG-mönster** (eng. *RAG Patterns*) — är en uppsättning arkitekturella och metodologiska angreppssätt för att bygga **Retrieval-Augmented Generation** (RAG)-system. Dessa mönster är avsedda för att lösa grundläggande problem hos stora språkmodeller (LLM), såsom hallucinationer, föråldrad kunskap och brist på domänspecificitet, genom att integrera LLM med externa, dynamiskt tillgängliga datakällor^{[\[1\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-lewis2020-1)}. RAG:s evolution har gått från enkla linjära pipelines till komplexa modulära och agentbaserade system^{[\[2\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-survey2024-2)}. ## Grundläggande RAG-mönster Med teknikens utveckling har ett flertal RAG-mönster uppstått, vart och ett med syfte att lösa specifika uppgifter och med sina egna avvägningar mellan kvalitet, hastighet och kostnad. - **Classic RAG (Klassisk RAG)** — det grundläggande angreppssättet, där användarens fråga vektoriseras för att söka efter relevanta fragment (chunks) i en vektordatabas; de funna chunksen skickas till LLM tillsammans med frågan för att generera ett svar^{[\[1\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-lewis2020-1)}. - **Multi‑Query RAG (Multipla frågor)** — LLM genererar flera omformulerade/förfinade varianter av den ursprungliga frågan; sökning utförs på alla varianter, resultaten kombineras, vilket ökar täckningen (*recall*)^{[\[3\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-langchain-multiquery-3)}. - **HyDE (Hypothetical Document Expansion)** — för att överbrygga det "semantiska gapet" mellan en kort fråga och långa dokument. LLM genererar först ett "hypotetiskt" svarsdokument, varefter dess embedding används för sökning, vilket ofta förbättrar extraktionskvaliteten^{[\[4\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-hyde-4)}. - **Hybrid Retrieval (Hybridsökning)** — en kombination av semantisk (vektor) och lexikal (BM25) sökning. Hybridscheman har blivit standard för produktionssystem: vektorsökning täcker semantiska matchningar, medan BM25 hittar exakta termer/ID/akronymer; resultaten kombineras genom fusion^{[\[5\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-milvus-fulltext-7)}. - **Re‑ranking (Omrangordning)** — en tvåstegsprocess: en snabb retriever returnerar en kandidatmängd (t.ex. topp‑100), varefter en korsenkodare (eller annan reranker) räknar om relevansen och väljer ut de bästa (t.ex. topp‑5) för LLM^{[\[8\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-cohere-rerank-9)}. - **Query Routing (Frågestyrning)** — i system med flera heterogena datakällor (olika index/databaser/API:er) dirigeras frågan till den mest lämpliga källan med hjälp av en router (LLM-selektor eller klassificerare); inkluderar fallback-strategier^{[\[10\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-llama-router-10)}. - **Agentic/Web RAG (Agentbaserad RAG)** — LLM agerar som agent: dekomponerar komplexa frågor, planerar iterationer och använder verktyg (vektorsökning, webbsökning) med återkoppling. En typisk implementering är ReAct-paradigmen^{[\[11\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-react-11)}; för webbinriktad insamling och obligatorisk citering, se WebGPT^{[\[12\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-webgpt-12)}. ### Besläktade och framväxande paradigmer - **GraphRAG (Grafbaserad RAG)** — använder en kunskapsgraf som källa och mekanism för kontextval; sökning sker längs relationsstrukturen mellan entiteter och i text, vilket förbättrar tolkningsbarhet och kvalitet på multi-hop-frågor^{[\[13\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-graphrag-13)[\[14\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-graphrag-project-14)}. - **MM‑RAG (Multimodal RAG)** — hanterar text och visuella källor (skannade dokument/diagram/tabeller). Exempel: VisRAG demonstrerar VLM-orienterad retrieval och generering på multimodala dokument^{[\[15\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-visrag-15)}. - **Packaging & Context Handling (Kontextpaketering)** — sätt att integrera hittade chunks i prompten: *Stuff*, *Map‑Reduce*, *Refine*, *Tree‑of‑Chunks (RAPTOR)*^{[\[16\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-raptor-16)}. ## Jämförelsetabell över mönster | Mönster | När det används | Inverkan på kvalitet | Kostnad / Latens | Risker och begränsningar | |----------------------|------------------------------------------------------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|------------------|-----------------------------------------------------------| | **Classic RAG** | PoC och enkla Q&A över en homogen databas | Grundläggande nivå; starkt beroende av embeddings^{[\[1\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-lewis2020-1)} | Låg | Känslighet för formuleringar; risk för irrelevant kontext | | **Hybrid Retrieval** | I de flesta produktionsscenarier; många koder/akronymer/ID | Ökar täckning; täcker exakta termer^{[\[5\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-milvus-fulltext-7)} | Låg/Medel | Justering av fusionsvikter; två index | | **Re‑ranking** | Kritiskt när hög precision är viktig | Betydande ökning av precision i topp‑k^{[\[8\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-cohere-rerank-9)} | Medel/Hög | Extra latens/kostnad | | **Multi‑Query** | Korta/mångfacetterade frågor | Ökar recall^{[\[3\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-langchain-multiquery-3)} | Medel | Överflödiga/brusiga omformuleringar | | **HyDE** | Korta/tvetydiga frågor med stort "semantiskt gap" | Förbättrar retrieval-kvalitet *zero‑shot*^{[\[4\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-hyde-4)} | Medel | Beror på kvaliteten hos den "hypotetiska" texten | | **Query Routing** | Flera källor (dokumentbas, SQL, API, webb) | Ökar relevans tack vare rätt källa^{[\[10\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-llama-router-10)} | Medel | Fel route = misslyckad sökning | | **Agentic/Web RAG** | Komplexa, undersökande, flerstegs-frågor | Löser uppgifter bortom den linjära pipelinen^{[\[11\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-react-11)[\[12\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-webgpt-12)} | Hög | Komplexitet, risk för loopar; guardrails krävs | Jämförelse av viktiga RAG-mönster ## Praktisk implementering och arkitektur ### Implementeringssteg 1. **Proof of Concept (PoC):** Börja med **Classic RAG** på ett begränsat men representativt dataset för att verifiera embedding-kvalitet och grundläggande retrieval^{[\[1\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-lewis2020-1)}. 2. **Minimum Viable Product (MVP):** Implementera **Hybrid Retrieval** och **Re‑ranking** som det bästa förhållandet mellan insats och effekt^{[\[5\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-weaviate-hybrid-5)[\[8\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-nogueira2019-8)}. 3. **Produktion:** Lägg till frågetransformationer (**HyDE**, **Multi‑Query**) och vid behov **Query Routing**; konfigurera observability (loggning av retrieval/rerank/svar) och A/B-testning^{[\[3\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-langchain-multiquery-3)[\[10\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-llama-router-10)}. ### Nyckelkomponenter - **Chunkning (Chunking):** En av de mest kritiska kvalitetsfaktorerna. Naiv fast storlek delar ofta upp semantiska enheter. Strukturorienterade (markupbaserade) eller rekursiva splitters rekommenderas (stycke → mening → ord)^{[\[17\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-rcsplit-17)[\[18\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-llama-hier-18)}. - **Embeddings och metadata:** Lagra document_id, sida/sektion, rubrik, datum med varje chunk; detta är nödvändigt för filtrering och korrekt källcitering. - **Hybrid retrieval och rerank:** Använd BM25+vektor med fusion (eller RRF), sedan korsenkodare för omrangordning på en liten kandidatpool^{[\[5\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-qdrant-hybrid-6)[\[8\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-nogueira2019-8)}. - **Kontextpaketering:** Välj *Map‑Reduce*, *Refine* eller *Tree‑of‑Chunks* för långa korpusar^{[\[16\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-raptor-16)[\[18\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-llama-hier-18)}. ### Vanliga misstag (antimönster) - **Endast vektorsökning** utan BM25 → misslyckanden på koder/ID/akronymer^{[\[5\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-weaviate-hybrid-5)[\[7\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-milvus-fulltext-7)}. - **För stor/liten chunk** → förlust av kontext eller "utspädning" av embedding^{[\[17\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-rcsplit-17)}. - **Avsaknad av rerank i produktion** → LLM får brusig kontext^{[\[8\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-nogueira2019-8)}. - **Ingen observability** och källspårning → omöjligt att analysera felorsaker (se RAG-utvärdering). ## Kvalitetsutvärdering och mätvärden Utvärdering sker på retrieval-nivå (offline) och end‑to‑end (generering). ### Retriever-mätvärden - **Hit Rate, Recall@k, MRR** — täckning och position för relevanta dokument. - **Context Precision & Recall** — i vilken mån den extraherade kontexten är fri från "brus" och täcker allt som behövs (implementerat i RAGAS)^{[\[19\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-ragas-19)}. ### Generator-mätvärden (end‑to‑end) - **Faithfulness / Groundedness** — svarets överensstämmelse med den tillhandahållna kontexten. - **Answer Relevancy (Svarensrelevans)** — överensstämmelse med den ursprungliga frågan. För automatisering av mätvärden används open‑source-ramverk: **RAGAS**, **TruLens** (*RAG triad*: context relevance, groundedness, answer relevance), **DeepEval**^{[\[20\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-trulens-20)[\[21\]](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_note-deepeval-21)}. ## Se även - Retrieval-Augmented Generation (RAG) - Vektordatabaser - Embedding - AI-agent - GraphRAG - MM-RAG - Utvärdering och benchmark för LLM ## Litteratur - Lewis, P., Perez, E., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. NeurIPS. arXiv:2005.11401. - Fan, W., Ding, Y., et al. (2024). *A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models*. KDD. DOI:10.1145/3637528.3671470; arXiv:2405.06211. - Gao, L., Ma, X., Lin, J., Callan, J. (2023). *Precise Zero‑Shot Dense Retrieval without Relevance Labels (HyDE)*. ACL 2023. ACL Anthology; arXiv:2212.10496. - Nogueira, R., Cho, K. (2019). *Passage Re‑ranking with BERT*. arXiv:1901.04085. - Weaviate Docs. *Hybrid search (BM25+Vector)*. [1]. - Qdrant Docs. *Hybrid Queries*. [2]. - Milvus Docs. *Full‑Text Search* / *Hybrid Search*. [3] / [4]. - LangChain Docs. *MultiQueryRetriever*. [5]. - Cohere Docs. *Rerank — best practices*. [6]. - LlamaIndex Docs. *Routing (query routers/selectors)*. [7]. - Yao, S., et al. (2023). *ReAct: Synergizing Reasoning and Acting in Language Models*. ICLR. arXiv:2210.03629. - Nakano, R., et al. (2021). *WebGPT: Browser‑assisted question‑answering with human feedback*. arXiv:2112.09332. - Microsoft Research Blog. *GraphRAG: Unlocking LLM discovery on narrative private data*. (2024). [8]. - Microsoft Research. *Project GraphRAG*. (2024). [9]. - Yu, S., et al. (2024). *VisRAG: Vision‑based Retrieval‑augmented Generation on Multi‑modality Documents*. arXiv:2410.10594. - Sarthi, P., et al. (2024). *RAPTOR: Recursive Abstractive Processing for Tree‑Organized Retrieval*. arXiv:2401.18059. - Es, S., et al. (2024). *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. EACL (Demo). [10]. - TruLens Docs. *RAG Triad*. [11]. - DeepEval (GitHub). *The LLM Evaluation Framework*. [12]. - LangChain Docs. *RecursiveCharacterTextSplitter*. [13]. - LlamaIndex Docs. *HierarchicalNodeParser*; *Response Synthesis (Tree/Refine)*. [14]; [15]. ## Noter 1. ↑ ^{[1.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-lewis2020_1-0)} ^{[1.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-lewis2020_1-1)} ^{[1.2](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-lewis2020_1-2)} ^{[1.3](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-lewis2020_1-3)} Lewis, P., Perez, E., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. NeurIPS. arXiv:2005.11401. 2. [↑](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-survey2024_2-0) Fan, W., Ding, Y., et al. (2024). *A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models*. KDD. DOI:10.1145/3637528.3671470; arXiv:2405.06211. 3. ↑ ^{[3.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-langchain-multiquery_3-0)} ^{[3.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-langchain-multiquery_3-1)} ^{[3.2](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-langchain-multiquery_3-2)} LangChain Docs. *MultiQueryRetriever*. https://python.langchain.com/docs/how_to/MultiQueryRetriever/ 4. ↑ ^{[4.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-hyde_4-0)} ^{[4.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-hyde_4-1)} Gao, L., Ma, X., Lin, J., Callan, J. (2023). *Precise Zero‑Shot Dense Retrieval without Relevance Labels*. ACL 2023. arXiv:2212.10496; ACL Anthology: 2023.acl‑long.99. 5. ↑ ^{[5.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-weaviate-hybrid_5-0)} ^{[5.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-weaviate-hybrid_5-1)} ^{[5.2](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-weaviate-hybrid_5-2)} ^{[5.3](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-weaviate-hybrid_5-3)} ^{[5.4](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-weaviate-hybrid_5-4)} Weaviate Docs. *Hybrid search (BM25+Vector)*. https://docs.weaviate.io/weaviate/concepts/search/hybrid-search 6. ↑ ^{[6.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-qdrant-hybrid_6-0)} ^{[6.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-qdrant-hybrid_6-1)} ^{[6.2](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-qdrant-hybrid_6-2)} Qdrant Docs. *Hybrid Queries*. https://qdrant.tech/documentation/concepts/hybrid-queries/ 7. ↑ ^{[7.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-milvus-fulltext_7-0)} ^{[7.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-milvus-fulltext_7-1)} ^{[7.2](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-milvus-fulltext_7-2)} Milvus Docs. *Full‑Text Search* и *Hybrid Search*. https://milvus.io/docs/full-text-search.md; https://milvus.io/docs/hybrid_search_with_milvus.md 8. ↑ ^{[8.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-nogueira2019_8-0)} ^{[8.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-nogueira2019_8-1)} ^{[8.2](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-nogueira2019_8-2)} ^{[8.3](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-nogueira2019_8-3)} ^{[8.4](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-nogueira2019_8-4)} Nogueira, R., Cho, K. (2019). *Passage Re‑ranking with BERT*. arXiv:1901.04085. 9. ↑ ^{[9.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-cohere-rerank_9-0)} ^{[9.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-cohere-rerank_9-1)} Cohere Docs. *Rerank — best practices*. https://docs.cohere.com/docs/reranking-best-practices 10. ↑ ^{[10.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-llama-router_10-0)} ^{[10.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-llama-router_10-1)} ^{[10.2](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-llama-router_10-2)} LlamaIndex Docs. *Routing (query routers/selectors)*. https://docs.llamaindex.ai/en/stable/module_guides/querying/router/ 11. ↑ ^{[11.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-react_11-0)} ^{[11.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-react_11-1)} Yao, S., et al. (2023). *ReAct: Synergizing Reasoning and Acting in Language Models*. ICLR 2023. arXiv:2210.03629. 12. ↑ ^{[12.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-webgpt_12-0)} ^{[12.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-webgpt_12-1)} Nakano, R., et al. (2021). *WebGPT: Browser‑assisted question‑answering with human feedback*. arXiv:2112.09332. 13. [↑](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-graphrag_13-0) Microsoft Research Blog. *GraphRAG: Unlocking LLM discovery on narrative private data*. 2024. https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/ 14. [↑](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-graphrag-project_14-0) Microsoft Research. *Project GraphRAG*. https://www.microsoft.com/en-us/research/project/graphrag/ 15. [↑](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-visrag_15-0) Yu, S., et al. (2024). *VisRAG: Vision‑based Retrieval‑augmented Generation on Multi‑modality Documents*. arXiv:2410.10594; OpenReview: zG459X3Xge. 16. ↑ ^{[16.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-raptor_16-0)} ^{[16.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-raptor_16-1)} Sarthi, P., et al. (2024). *RAPTOR: Recursive Abstractive Processing for Tree‑Organized Retrieval*. arXiv:2401.18059. 17. ↑ ^{[17.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-rcsplit_17-0)} ^{[17.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-rcsplit_17-1)} LangChain Docs. *RecursiveCharacterTextSplitter*. https://python.langchain.com/docs/how_to/recursive_text_splitter/ 18. ↑ ^{[18.0](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-llama-hier_18-0)} ^{[18.1](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-llama-hier_18-1)} LlamaIndex Docs. *HierarchicalNodeParser* и *Tree Summarization*. https://docs.llamaindex.ai/en/stable/api/llama_index.core.node_parser.HierarchicalNodeParser.html; https://docs.llamaindex.ai/en/stable/examples/low_level/response_synthesis/ 19. [↑](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-ragas_19-0) Es, S., et al. (2024). *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. EACL (Demo). https://aclanthology.org/2024.eacl-demo.16/ 20. [↑](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-trulens_20-0) TruLens Docs. *RAG Triad*. https://www.trulens.org/getting_started/core_concepts/rag_triad/ 21. [↑](https://systems-analysis.info/int/RAG-m%C3%B6nster#cite_ref-deepeval_21-0) DeepEval (GitHub). https://github.com/confident-ai/deepeval