--- title: "RAG patterns (BN)" source: "https://systems-analysis.info/int/RAG_patterns_(BN)" wiki: "systems-analysis.info/int" article: "RAG_patterns_(BN)" language: "bn" categories: - "Category:Bengali" - "Category:Large language models" - "Category:Prompt engineering" revision_id: 6107 wiki_created_at: 2026-09-06T23:58:26Z wiki_modified_at: 2026-09-06T23:58:26Z downloaded_at: 2026-09-07T23:12:04Z --- # RAG patterns (BN) **RAG-প্যাটার্ন** (ইংরেজি: *RAG Patterns*) — এটি **Retrieval-Augmented Generation** (RAG) সিস্টেম নির্মাণের জন্য একটি স্থাপত্যগত ও পদ্ধতিগত পদ্ধতির সমষ্টি। এই প্যাটার্নগুলো বৃহৎ ভাষা মডেলের (LLM) মৌলিক সমস্যাগুলো — যেমন হ্যালুসিনেশন, জ্ঞানের অপ্রচলন এবং ডোমেন-নির্দিষ্ট জ্ঞানের অভাব — সমাধানের জন্য ডিজাইন করা হয়েছে, যেখানে LLM-কে বাহ্যিক, গতিশীলভাবে অ্যাক্সেসযোগ্য ডেটা উৎসের সাথে একীভূত করা হয়^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-lewis2020-1)}। RAG-এর বিবর্তন সরল রৈখিক পাইপলাইন থেকে শুরু হয়ে জটিল মডুলার ও এজেন্ট-ভিত্তিক সিস্টেমে পরিণত হয়েছে^{[\[2\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-survey2024-2)}। ## RAG-এর মূল প্যাটার্নসমূহ প্রযুক্তির বিকাশের সাথে সাথে অনেক RAG-প্যাটার্ন আবির্ভূত হয়েছে, প্রতিটি নির্দিষ্ট সমস্যা সমাধান করে এবং মান, গতি ও খরচের মধ্যে নিজস্ব আপস বজায় রাখে। - **Classic RAG (ক্লাসিক RAG)** — মৌলিক পদ্ধতি, যেখানে ব্যবহারকারীর প্রশ্নকে ভেক্টরাইজ করে ভেক্টর ডেটাবেসে প্রাসঙ্গিক অংশ (চাংক) অনুসন্ধান করা হয়; পাওয়া চাংকগুলো প্রশ্নের সাথে LLM-এ পাঠানো হয় উত্তর তৈরির জন্য^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-lewis2020-1)}। - **Multi‑Query RAG (বহু-প্রশ্ন RAG)** — LLM মূল প্রশ্নের একাধিক পুনর্বিন্যস্ত/পরিমার্জিত রূপ তৈরি করে; সব রূপে অনুসন্ধান চালানো হয় এবং ফলাফল একত্রিত করা হয়, যা সম্পূর্ণতা (*recall*) বৃদ্ধি করে^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-langchain-multiquery-3)}। - **HyDE (Hypothetical Document Expansion)** — সংক্ষিপ্ত প্রশ্ন ও দীর্ঘ দলিলের মধ্যে «অর্থগত ব্যবধান» কাটিয়ে উঠতে ব্যবহৃত হয়। LLM প্রথমে একটি «অনুমানমূলক» উত্তর-দলিল তৈরি করে, তারপর তার embedding অনুসন্ধানে ব্যবহার করা হয়, যা প্রায়শই নিষ্কাশনের মান উন্নত করে^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-hyde-4)}। - **Hybrid Retrieval (হাইব্রিড অনুসন্ধান)** — সেমান্টিক (ভেক্টর) ও লেক্সিক্যাল (BM25) অনুসন্ধানের সমন্বয়। হাইব্রিড পদ্ধতি প্রোডাকশন সিস্টেমের মানদণ্ড হয়ে উঠেছে: ভেক্টর অনুসন্ধান অর্থগত মিল ধরে, আর BM25 সঠিক পরিভাষা/ID/অ্যাক্রোনিম খুঁজে পায়; ফলাফল fusion-এ একত্রিত হয়^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-milvus-fulltext-7)}। - **Re‑ranking (পুনঃ-র‌্যাংকিং)** — দ্বি-স্তরীয় প্রক্রিয়া: দ্রুত retriever প্রার্থীদের একটি তালিকা দেয় (যেমন শীর্ষ-১০০), তারপর cross-encoder (বা অন্য reranker) প্রাসঙ্গিকতা পুনর্গণনা করে এবং LLM-এর জন্য সেরাগুলো (যেমন শীর্ষ-৫) বাছাই করে^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-cohere-rerank-9)}। - **Query Routing (প্রশ্ন রাউটিং)** — একাধিক বিভিন্নধর্মী ডেটা উৎস সম্বলিত সিস্টেমে (বিভিন্ন ইনডেক্স/ডেটাবেস/API) প্রশ্নকে router-এর (LLM-সিলেক্টর বা ক্লাসিফায়ার) মাধ্যমে সবচেয়ে উপযুক্ত উৎসে পাঠানো হয়; fallback কৌশলও অন্তর্ভুক্ত^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-llama-router-10)}। - **Agentic/Web RAG (এজেন্ট-ভিত্তিক RAG)** — LLM একটি এজেন্ট হিসেবে কাজ করে: জটিল প্রশ্ন বিশ্লেষণ করে, পুনরাবৃত্তি পরিকল্পনা করে এবং প্রতিক্রিয়ার সাথে টুল ব্যবহার করে (ভেক্টর অনুসন্ধান, ওয়েব অনুসন্ধান)। সাধারণ বাস্তবায়ন হল ReAct প্যারাডাইম^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-react-11)}; ওয়েব-কেন্দ্রিক সংগ্রহ ও বাধ্যতামূলক উদ্ধৃতির জন্য দেখুন WebGPT^{[\[12\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-webgpt-12)}। ### সম্পর্কিত ও উদীয়মান প্যারাডাইম - **GraphRAG (গ্রাফ RAG)** — প্রেক্ষাপট নির্বাচনের উৎস ও প্রক্রিয়া হিসেবে knowledge graph ব্যবহার করে; সত্তাগুলোর মধ্যে সংযোগের কাঠামো এবং পাঠ্যের ভিত্তিতে অনুসন্ধান চলে, যা multi‑hop প্রশ্নে ব্যাখ্যাযোগ্যতা ও মান বৃদ্ধি করে^{[\[13\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-graphrag-13)[\[14\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-graphrag-project-14)}। - **MM‑RAG (মাল্টিমোডাল RAG)** — পাঠ্য ও দৃশ্যমান উৎস (স্ক্যান/ডায়াগ্রাম/টেবিল) নিয়ে কাজ করে। উদাহরণ: VisRAG মাল্টিমোডাল দলিলে VLM-কেন্দ্রিক retrieval ও generation প্রদর্শন করে^{[\[15\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-visrag-15)}। - **Packaging & Context Handling (প্রেক্ষাপট প্যাকেজিং)** — পাওয়া চাংকগুলো prompt-এ একীভূত করার উপায়: *Stuff*, *Map‑Reduce*, *Refine*, *Tree‑of‑Chunks (RAPTOR)*^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-raptor-16)}। ## প্যাটার্নের তুলনামূলক সারণী | প্যাটার্ন | কখন প্রয়োগ করবেন | মানের উপর প্রভাব | খরচ / বিলম্ব | ঝুঁকি ও সীমাবদ্ধতা | |----------------------|----------------------------------------------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-------------|---------------------------------------------------------| | **Classic RAG** | PoC এবং সমজাতীয় ভিত্তিতে সহজ Q&A | মৌলিক স্তর; embedding-এর উপর অনেকটা নির্ভরশীল^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-lewis2020-1)} | কম | প্রশ্নের ভাষার প্রতি সংবেদনশীলতা; অপ্রাসঙ্গিক প্রেক্ষাপটের ঝুঁকি | | **Hybrid Retrieval** | অধিকাংশ প্রোডাকশন পরিস্থিতিতে; অনেক কোড/অ্যাক্রোনিম/ID থাকলে | সম্পূর্ণতা বাড়ায়; সঠিক পরিভাষা ধরে^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-milvus-fulltext-7)} | কম/মাঝারি | fusion ওজন নির্ধারণ; দুটি ইনডেক্স | | **Re‑ranking** | যখন উচ্চ নির্ভুলতা গুরুত্বপূর্ণ | শীর্ষ-k-তে precision উল্লেখযোগ্যভাবে বৃদ্ধি^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-cohere-rerank-9)} | মাঝারি/বেশি | অতিরিক্ত বিলম্ব/খরচ | | **Multi‑Query** | সংক্ষিপ্ত/বহু-দিকবিশিষ্ট প্রশ্ন | recall বাড়ায়^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-langchain-multiquery-3)} | মাঝারি | অতিরিক্ত/শোরগোলময় পুনর্বিন্যাস | | **HyDE** | বড় «অর্থগত ব্যবধান» সহ সংক্ষিপ্ত/অস্পষ্ট প্রশ্ন | *zero‑shot* retrieval-এর মান উন্নত করে^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-hyde-4)} | মাঝারি | «অনুমানমূলক» পাঠ্যের মানের উপর নির্ভরশীল | | **Query Routing** | একাধিক উৎস (দলিল-ভিত্তি, SQL, API, ওয়েব) | সঠিক উৎসের মাধ্যমে প্রাসঙ্গিকতা বাড়ায়^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-llama-router-10)} | মাঝারি | রুট ভুল হলে = অনুসন্ধান ব্যর্থ | | **Agentic/Web RAG** | জটিল, গবেষণামূলক, বহু-ধাপের প্রশ্ন | রৈখিক পাইপলাইনের বাইরের সমস্যা সমাধান করে^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-react-11)[\[12\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-webgpt-12)} | বেশি | জটিলতা, লুপে আটকানোর ঝুঁকি; গার্ডরেইল প্রয়োজন | মূল RAG-প্যাটার্নের তুলনা ## ব্যবহারিক বাস্তবায়ন ও স্থাপত্য ### বাস্তবায়নের ধাপসমূহ 1. **Proof of Concept (PoC):** সীমিত কিন্তু প্রতিনিধিত্বমূলক ডেটাসেটে **Classic RAG** দিয়ে শুরু করুন embedding-এর মান ও মৌলিক retrieval পরীক্ষার জন্য^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-lewis2020-1)}। 2. **Minimum Viable Product (MVP):** «প্রচেষ্টা/প্রভাব»-এর সর্বোত্তম অনুপাত হিসেবে **Hybrid Retrieval** ও **Re‑ranking** বাস্তবায়ন করুন^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-weaviate-hybrid-5)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-nogueira2019-8)}। 3. **Production:** প্রশ্ন রূপান্তর (**HyDE**, **Multi‑Query**) এবং প্রয়োজনে **Query Routing** যোগ করুন; observability (retrieval/rerank/উত্তর লগিং) এবং A/B-পরীক্ষা কনফিগার করুন^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-langchain-multiquery-3)[\[10\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-llama-router-10)}। ### মূল উপাদানসমূহ - **চাংকিং (Chunking):** মানের সবচেয়ে গুরুত্বপূর্ণ কারণগুলোর একটি। সরল নির্দিষ্ট আকার প্রায়ই অর্থগত একক ভেঙে দেয়। কাঠামো-ভিত্তিক (মার্কআপ অনুযায়ী) বা পুনরাবৃত্তিমূলক splitter (অনুচ্ছেদ → বাক্য → শব্দ) ব্যবহার করার পরামর্শ দেওয়া হয়^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-rcsplit-17)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-llama-hier-18)}। - **Embedding ও মেটাডেটা:** প্রতিটি চাংকের সাথে document_id, পৃষ্ঠা/বিভাগ, শিরোনাম, তারিখ সংরক্ষণ করুন; এটি ফিল্টারিং ও সঠিক উৎস উদ্ধৃতির জন্য প্রয়োজনীয়। - **হাইব্রিড retrieval ও rerank:** BM25+ভেক্টর fusion (বা RRF) ব্যবহার করুন, তারপর ছোট প্রার্থী পুলে cross-encoder দিয়ে পুনঃ-র‌্যাংকিং করুন^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-qdrant-hybrid-6)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-nogueira2019-8)}। - **প্রেক্ষাপট প্যাকেজিং:** দীর্ঘ corpus-এর জন্য *Map‑Reduce*, *Refine* বা *Tree‑of‑Chunks* বেছে নিন^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-raptor-16)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-llama-hier-18)}। ### সাধারণ ভুল (অ্যান্টি-প্যাটার্ন) - **শুধু ভেক্টর অনুসন্ধান** BM25 ছাড়া → কোড/ID/অ্যাক্রোনিমে ব্যর্থতা^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-weaviate-hybrid-5)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-milvus-fulltext-7)}। - **অতিরিক্ত বড়/ছোট চাংক** → প্রেক্ষাপট হারানো বা embedding «ভাসাভাসা» হয়ে যাওয়া^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-rcsplit-17)}। - **প্রোডাকশনে rerank অনুপস্থিত** → LLM শোরগোলময় প্রেক্ষাপট পায়^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-nogueira2019-8)}। - **observability ও উৎস ট্রেসিং নেই** → ত্রুটির কারণ বিশ্লেষণ করা অসম্ভব (RAG মূল্যায়ন দেখুন)। ## মান মূল্যায়ন ও মেট্রিক মূল্যায়ন retriever স্তরে (অফলাইন) এবং end‑to‑end (generation) স্তরে পরিচালিত হয়। ### Retriever মেট্রিক - **Hit Rate, Recall@k, MRR** — প্রাসঙ্গিক দলিলের কভারেজ ও অবস্থান। - **Context Precision & Recall** — নিষ্কাশিত প্রেক্ষাপট কতটা «আবর্জনা»-মুক্ত এবং সবকিছু ধারণ করে (RAGAS-এ বাস্তবায়িত)^{[\[19\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-ragas-19)}। ### Generator মেট্রিক (end‑to‑end) - **Faithfulness / Groundedness** — প্রদত্ত প্রেক্ষাপটের সাথে উত্তরের সামঞ্জস্য। - **Answer Relevancy (উত্তরের প্রাসঙ্গিকতা)** — মূল প্রশ্নের সাথে সামঞ্জস্য। মেট্রিক স্বয়ংক্রিয় করতে open‑source ফ্রেমওয়ার্ক ব্যবহার করা হয়: **RAGAS**, **TruLens** (*RAG triad*: context relevance, groundedness, answer relevance), **DeepEval**^{[\[20\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-trulens-20)[\[21\]](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_note-deepeval-21)}। ## আরও দেখুন - Retrieval-Augmented Generation (RAG) - ভেক্টর ডেটাবেস - Embedding - AI-এজেন্ট - GraphRAG - MM-RAG - LLM মূল্যায়ন ও benchmark ## সাহিত্য - 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)*. [১]. - Qdrant Docs. *Hybrid Queries*. [২]. - Milvus Docs. *Full‑Text Search* / *Hybrid Search*. [৩] / [৪]. - LangChain Docs. *MultiQueryRetriever*. [৫]. - Cohere Docs. *Rerank — best practices*. [৬]. - LlamaIndex Docs. *Routing (query routers/selectors)*. [৭]. - 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). [৮]. - Microsoft Research. *Project GraphRAG*. (2024). [৯]. - 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). [১০]. - TruLens Docs. *RAG Triad*. [১১]. - DeepEval (GitHub). *The LLM Evaluation Framework*. [১২]. - LangChain Docs. *RecursiveCharacterTextSplitter*. [১৩]. - LlamaIndex Docs. *HierarchicalNodeParser*; *Response Synthesis (Tree/Refine)*. [১৪]; [১৫]. ## টীকা 1. ↑ ^{[1.0](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-lewis2020_1-0)} ^{[1.1](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-lewis2020_1-1)} ^{[1.2](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-lewis2020_1-2)} ^{[1.3](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#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_(BN)#cite_ref-langchain-multiquery_3-0)} ^{[3.1](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-langchain-multiquery_3-1)} ^{[3.2](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#cite_ref-hyde_4-0)} ^{[4.1](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#cite_ref-weaviate-hybrid_5-0)} ^{[5.1](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-weaviate-hybrid_5-1)} ^{[5.2](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-weaviate-hybrid_5-2)} ^{[5.3](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-weaviate-hybrid_5-3)} ^{[5.4](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#cite_ref-qdrant-hybrid_6-0)} ^{[6.1](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-qdrant-hybrid_6-1)} ^{[6.2](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#cite_ref-milvus-fulltext_7-0)} ^{[7.1](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-milvus-fulltext_7-1)} ^{[7.2](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#cite_ref-nogueira2019_8-0)} ^{[8.1](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-nogueira2019_8-1)} ^{[8.2](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-nogueira2019_8-2)} ^{[8.3](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-nogueira2019_8-3)} ^{[8.4](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#cite_ref-cohere-rerank_9-0)} ^{[9.1](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#cite_ref-llama-router_10-0)} ^{[10.1](https://systems-analysis.info/int/RAG_patterns_(BN)#cite_ref-llama-router_10-1)} ^{[10.2](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#cite_ref-react_11-0)} ^{[11.1](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#cite_ref-webgpt_12-0)} ^{[12.1](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#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_(BN)#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_(BN)#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_(BN)#cite_ref-raptor_16-0)} ^{[16.1](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#cite_ref-rcsplit_17-0)} ^{[17.1](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#cite_ref-llama-hier_18-0)} ^{[18.1](https://systems-analysis.info/int/RAG_patterns_(BN)#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_(BN)#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_(BN)#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_(BN)#cite_ref-deepeval_21-0) DeepEval (GitHub). https://github.com/confident-ai/deepeval