--- title: "RAG patterns (BG)" source: "https://systems-analysis.info/int/RAG_patterns_(BG)" wiki: "systems-analysis.info/int" article: "RAG_patterns_(BG)" language: "bg" categories: - "Category:Bulgarian" - "Category:Large language models" - "Category:Prompt engineering" revision_id: 6106 wiki_created_at: 2026-09-06T23:58:25Z wiki_modified_at: 2026-09-06T23:58:25Z downloaded_at: 2026-09-07T23:12:03Z --- # RAG patterns (BG) **RAG-паттерни** (англ. *RAG Patterns*) — това е набор от архитектурни и методологични подходи за изграждане на системи **Retrieval-Augmented Generation** (RAG). Тези паттерни са предназначени за решаване на фундаментални проблеми на големите езикови модели (LLM), като халюцинации, остаряване на знанията и липса на домейн-специфика, чрез интегриране на LLM с външни, динамично достъпни източници на данни^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-lewis2020-1)}. Еволюцията на RAG е извървяла пътя от прости линейни конвейери до сложни модулни и агентни системи^{[\[2\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-survey2024-2)}. ## Основни паттерни на RAG С развитието на технологията се появиха множество RAG‑паттерни, всеки от които решава определени задачи и има свои компромиси между качество, скорост и цена. - **Classic RAG (Класически RAG)** — базов подход, при който заявката на потребителя се векторизира за търсене на релевантни фрагменти (чанкове) във векторна БД; намерените чанкове се подават на LLM заедно с въпроса за генериране на отговор^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-lewis2020-1)}. - **Multi‑Query RAG (Множествени заявки)** — LLM генерира няколко перефразирани/уточнени варианта на изходната заявка; търсенето се извършва по всички варианти, резултатите се обединяват, което повишава пълнотата (*recall*)^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-langchain-multiquery-3)}. - **HyDE (Hypothetical Document Expansion)** — за преодоляване на „семантичната пропаст" между кратка заявка и дълги документи. LLM първо генерира „хипотетичен" документ-отговор, след което неговият embedding се използва за търсене, което често подобрява качеството на извличане^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-hyde-4)}. - **Hybrid Retrieval (Хибридно търсене)** — комбинация от семантично (векторно) и лексикално (BM25) търсене. Хибридните схеми са се превърнали в стандарт за продакшън‑системи: векторното търсене покрива смислови съответствия, а BM25 открива точни термини/ID/акроними; резултатите се обединяват чрез fusion^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-milvus-fulltext-7)}. - **Re‑ranking (Допълнително класиране)** — двуетапен процес: бърз ретривер връща набор от кандидати (например топ‑100), след което кросс‑енкодер (или друг реранкер) преизчислява релевантността и отбира най-добрите (например топ‑5) за LLM^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-cohere-rerank-9)}. - **Query Routing (Маршрутизиране на заявки)** — в системи с няколко разнородни източници на данни (различни индекси/БД/API) заявката се насочва към най-подходящия източник с помощта на router (LLM‑селектор или класификатор); включва fallback‑стратегии^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-llama-router-10)}. - **Agentic/Web RAG (Агентен RAG)** — LLM действа като агент: декомпозира сложни въпроси, планира итерации и използва инструменти (векторно търсене, уеб‑търсене) с обратна връзка. Типична реализация — парадигмата ReAct^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-react-11)}; за уеб‑ориентирано събиране и задължително цитиране вж. WebGPT^{[\[12\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-webgpt-12)}. ### Свързани и развиващи се парадигми - **GraphRAG (Графов RAG)** — използва граф на знанията като източник и механизъм за избор на контекст; търсенето се извършва по структурата на връзките между същностите и по текст, повишавайки интерпретируемостта и качеството при multi‑hop въпроси^{[\[13\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-graphrag-13)[\[14\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-graphrag-project-14)}. - **MM‑RAG (Мултимодален RAG)** — работа с текстови и визуални източници (сканове/схеми/таблици). Пример: VisRAG демонстрира VLM‑ориентиран ретрив и генерация върху мултимодални документи^{[\[15\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-visrag-15)}. - **Packaging & Context Handling (Опаковане на контекста)** — начини за интегриране на намерените чанкове в prompt: *Stuff*, *Map‑Reduce*, *Refine*, *Tree‑of‑Chunks (RAPTOR)*^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-raptor-16)}. ## Сравнителна таблица на паттерните | Паттерн | Кога да се прилага | Влияние върху качеството | Цена / Латентност | Рискове и ограничения | |----------------------|---------------------------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-------------------|----------------------------------------------------------------| | **Classic RAG** | PoC и прости Q&A върху хомогенна база | Базово ниво; силно зависи от embeddings^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-lewis2020-1)} | Ниска | Чувствителност към формулировки; риск от нерелевантен контекст | | **Hybrid Retrieval** | В повечето продакшън‑сценарии; много кодове/акроними/ID | Повишава пълнотата; покрива точни термини^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-milvus-fulltext-7)} | Ниска/Средна | Настройка на теглата при fusion; два индекса | | **Re‑ranking** | Критично, когато е важна висока точност | Съществен ръст на precision при топ‑k^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-cohere-rerank-9)} | Средна/Висока | Допълнителна латентност/цена | | **Multi‑Query** | Кратки/многоаспектни заявки | Повишава recall^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-langchain-multiquery-3)} | Средна | Излишни/шумни перефрази | | **HyDE** | Кратки/неясни заявки с голяма „семантична пропаст" | Подобрява качеството на ретрива *zero‑shot*^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-hyde-4)} | Средна | Зависи от качеството на „хипотетичния" текст | | **Query Routing** | Няколко източника (документна база, SQL, API, уеб) | Повишава релевантността чрез правилния източник^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-llama-router-10)} | Средна | Грешен маршрут = неуспешно търсене | | **Agentic/Web RAG** | Сложни, изследователски, многоетапни заявки | Решава задачи извън линейния конвейер^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-react-11)[\[12\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-webgpt-12)} | Висока | Сложност, риск от зацикляне; необходими са guardrails | Сравнение на ключовите RAG-паттерни ## Практическа реализация и архитектура ### Етапи на внедряване 1. **Proof of Concept (PoC):** Започнете с **Classic RAG** върху ограничен, но представителен набор от данни, за да проверите качеството на embeddings и базовия ретрив^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-lewis2020-1)}. 2. **Minimum Viable Product (MVP):** Внедрете **Hybrid Retrieval** и **Re‑ranking** като най-добро съотношение „усилие/ефект"^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-weaviate-hybrid-5)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-nogueira2019-8)}. 3. **Продакшън:** Добавете трансформации на заявките (**HyDE**, **Multi‑Query**) и при необходимост **Query Routing**; настройте observability (логване на ретрива/реранка/отговорите) и A/B‑тестване^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-langchain-multiquery-3)[\[10\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-llama-router-10)}. ### Ключови компоненти - **Чанкинг (Chunking):** Един от най-критичните фактори за качество. Наивният фиксиран размер често разкъсва смислови единици. Препоръчват се структурно‑ориентирани (по маркиране) или рекурсивни сплитери (параграф → изречение → дума)^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-rcsplit-17)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-llama-hier-18)}. - **Embeddings и метаданни:** Съхранявайте с всеки чанк document_id, страница/секция, заглавие, дати; това е необходимо за филтриране и коректно цитиране на източници. - **Хибриден ретрив и реранк:** Използвайте BM25+вектор с fusion (или RRF), след това кросс‑енкодер за преранжиране върху малък пул от кандидати^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-qdrant-hybrid-6)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-nogueira2019-8)}. - **Опаковане на контекста:** Избирайте *Map‑Reduce*, *Refine* или *Tree‑of‑Chunks* за дълги корпуси^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-raptor-16)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-llama-hier-18)}. ### Чести грешки (антипаттерни) - **Само векторно търсене** без BM25 → провали при кодове/ID/акроними^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-weaviate-hybrid-5)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-milvus-fulltext-7)}. - **Прекалено голям/малък чанк** → загуба на контекст или „размиване" на embedding^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-rcsplit-17)}. - **Липса на реранк в продакшъна** → LLM получава шумен контекст^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-nogueira2019-8)}. - **Няма observability** и трейсване на източници → невъзможно е да се анализират причините за грешки (вж. оценка на RAG). ## Оценка на качеството и метрики Оценката се провежда на ниво ретривер (офлайн) и end‑to‑end (генерация). ### Метрики на ретривера - **Hit Rate, Recall@k, MRR** — покритие и позиция на релевантните документи. - **Context Precision & Recall** — доколко извлеченият контекст е без „шум" и покрива всичко необходимо (реализирано в RAGAS)^{[\[19\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-ragas-19)}. ### Метрики на генератора (end‑to‑end) - **Faithfulness / Groundedness** — съответствие на отговора с предоставения контекст. - **Answer Relevancy (Релевантност на отговора)** — съответствие с изходния въпрос. За автоматизиране на метриките се използват open‑source фреймворки: **RAGAS**, **TruLens** (*RAG triad*: context relevance, groundedness, answer relevance), **DeepEval**^{[\[20\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-trulens-20)[\[21\]](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_note-deepeval-21)}. ## Вижте също - Retrieval-Augmented Generation (RAG) - Векторни бази данни - Embedding - AI-агент - GraphRAG - MM-RAG - Оценка и benchmark-ове на LLM ## Литература - 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]. ## Бележки 1. ↑ ^{[1.0](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-lewis2020_1-0)} ^{[1.1](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-lewis2020_1-1)} ^{[1.2](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-lewis2020_1-2)} ^{[1.3](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#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_patterns_(BG)#cite_ref-langchain-multiquery_3-0)} ^{[3.1](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-langchain-multiquery_3-1)} ^{[3.2](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#cite_ref-hyde_4-0)} ^{[4.1](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#cite_ref-weaviate-hybrid_5-0)} ^{[5.1](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-weaviate-hybrid_5-1)} ^{[5.2](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-weaviate-hybrid_5-2)} ^{[5.3](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-weaviate-hybrid_5-3)} ^{[5.4](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#cite_ref-qdrant-hybrid_6-0)} ^{[6.1](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-qdrant-hybrid_6-1)} ^{[6.2](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#cite_ref-milvus-fulltext_7-0)} ^{[7.1](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-milvus-fulltext_7-1)} ^{[7.2](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#cite_ref-nogueira2019_8-0)} ^{[8.1](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-nogueira2019_8-1)} ^{[8.2](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-nogueira2019_8-2)} ^{[8.3](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-nogueira2019_8-3)} ^{[8.4](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#cite_ref-cohere-rerank_9-0)} ^{[9.1](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#cite_ref-llama-router_10-0)} ^{[10.1](https://systems-analysis.info/int/RAG_patterns_(BG)#cite_ref-llama-router_10-1)} ^{[10.2](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#cite_ref-react_11-0)} ^{[11.1](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#cite_ref-webgpt_12-0)} ^{[12.1](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#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_patterns_(BG)#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_patterns_(BG)#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_patterns_(BG)#cite_ref-raptor_16-0)} ^{[16.1](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#cite_ref-rcsplit_17-0)} ^{[17.1](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#cite_ref-llama-hier_18-0)} ^{[18.1](https://systems-analysis.info/int/RAG_patterns_(BG)#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_patterns_(BG)#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_patterns_(BG)#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_patterns_(BG)#cite_ref-deepeval_21-0) DeepEval (GitHub). https://github.com/confident-ai/deepeval