--- title: "RAG patterns (CS)" source: "https://systems-analysis.info/int/RAG_patterns_(CS)" wiki: "systems-analysis.info/int" article: "RAG_patterns_(CS)" language: "cs" categories: - "Category:Czech" - "Category:Large language models" - "Category:Prompt engineering" revision_id: 6108 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 (CS) **RAG vzory** (angl. *RAG Patterns*) — jsou sadou architektonických a metodologických přístupů pro budování systémů **Retrieval-Augmented Generation** (RAG). Tyto vzory jsou určeny k řešení fundamentálních problémů velkých jazykových modelů (LLM), jako jsou halucinace, zastarávání znalostí a nedostatek doménové specifičnosti, prostřednictvím integrace LLM s externími, dynamicky dostupnými zdroji dat^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-lewis2020-1)}. Evoluce RAG prošla cestou od jednoduchých lineárních pipeline k složitým modulárním a agentním systémům^{[\[2\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-survey2024-2)}. ## Základní RAG vzory S rozvojem technologie se objevilo mnoho RAG vzorů, z nichž každý řeší určité úlohy a má své kompromisy mezi kvalitou, rychlostí a náklady. - **Classic RAG (Klasický RAG)** — základní přístup, kde je dotaz uživatele vektorizován pro vyhledávání relevantních fragmentů (chunků) ve vektorové databázi; nalezené chunky jsou předány LLM spolu s otázkou pro generování odpovědi^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-lewis2020-1)}. - **Multi‑Query RAG (Vícenásobné dotazy)** — LLM generuje několik přeformulovaných/upřesněných variant původního dotazu; vyhledávání probíhá podle všech variant, výsledky jsou sloučeny, což zvyšuje úplnost (*recall*)^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-langchain-multiquery-3)}. - **HyDE (Hypothetical Document Expansion)** — pro překonání „sémantické mezery" mezi krátkým dotazem a dlouhými dokumenty. LLM nejprve vygeneruje „hypotetický" dokument-odpověď, poté je jeho embedding použit pro vyhledávání, což často zlepšuje kvalitu extrakce^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-hyde-4)}. - **Hybrid Retrieval (Hybridní vyhledávání)** — kombinace sémantického (vektorového) a lexikálního (BM25) vyhledávání. Hybridní schémata se stala standardem pro produkční systémy: vektorové vyhledávání pokrývá sémantické shody, zatímco BM25 nachází přesné termíny/ID/akronymy; výsledky jsou sloučeny fúzí^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-milvus-fulltext-7)}. - **Re‑ranking (Dodatečné řazení)** — dvoustupňový proces: rychlý retriever vrátí sadu kandidátů (např. top‑100), poté cross-encoder (nebo jiný reranker) přepočítá relevanci a vybere nejlepší (např. top‑5) pro LLM^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-cohere-rerank-9)}. - **Query Routing (Směrování dotazů)** — v systémech s více heterogenními zdroji dat (různé indexy/databáze/API) je dotaz nasměrován k nejvhodnějšímu zdroji pomocí routeru (LLM-selektor nebo klasifikátor); zahrnuje fallback strategie^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-llama-router-10)}. - **Agentic/Web RAG (Agentní RAG)** — LLM vystupuje jako agent: dekompozuje složité otázky, plánuje iterace a využívá nástroje (vektorové vyhledávání, webové vyhledávání) se zpětnou vazbou. Typická implementace — paradigma ReAct^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-react-11)}; pro webově orientovaný sběr dat a povinné citování viz WebGPT^{[\[12\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-webgpt-12)}. ### Příbuzná a rozvíjející se paradigmata - **GraphRAG (Grafový RAG)** — využívá znalostní graf jako zdroj a mechanismus výběru kontextu; vyhledávání probíhá podle struktury vazeb mezi entitami i podle textu, čímž zvyšuje interpretovatelnost a kvalitu u multi‑hop otázek^{[\[13\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-graphrag-13)[\[14\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-graphrag-project-14)}. - **MM‑RAG (Multimodální RAG)** — práce s textem a vizuálními zdroji (skeny/schémata/tabulky). Příklad: VisRAG demonstruje VLM-orientovaný retrieval a generování na multimodálních dokumentech^{[\[15\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-visrag-15)}. - **Packaging & Context Handling (Balení kontextu)** — způsoby integrace nalezených chunků do promptu: *Stuff*, *Map‑Reduce*, *Refine*, *Tree‑of‑Chunks (RAPTOR)*^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-raptor-16)}. ## Srovnávací tabulka vzorů | Vzor | Kdy použít | Vliv na kvalitu | Náklady / Latence | Rizika a omezení | |----------------------|------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-------------------|--------------------------------------------------------| | **Classic RAG** | PoC a jednoduché Q&A nad homogenní bází | Základní úroveň; silně závisí na embeddingech^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-lewis2020-1)} | Nízká | Citlivost na formulace; riziko nerelevantního kontextu | | **Hybrid Retrieval** | Ve většině produkčních scénářů; mnoho kódů/akronymů/ID | Zvyšuje úplnost; pokrývá přesné termíny^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-milvus-fulltext-7)} | Nízká/Střední | Ladění vah fúze; dva indexy | | **Re‑ranking** | Kritický, kdy je důležitá vysoká přesnost | Výrazný nárůst precision na top‑k^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-cohere-rerank-9)} | Střední/Vysoká | Dodatečná latence/náklady | | **Multi‑Query** | Krátké/mnohoaspektové dotazy | Zvyšuje recall^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-langchain-multiquery-3)} | Střední | Nadbytečné/šumivé přeformulace | | **HyDE** | Krátké/nejednoznačné dotazy s velkou „sémantickou mezerou" | Zlepšuje kvalitu retrievalu *zero‑shot*^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-hyde-4)} | Střední | Závisí na kvalitě „hypotetického" textu | | **Query Routing** | Více zdrojů (dokumentová báze, SQL, API, web) | Zvyšuje relevanci díky správnému zdroji^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-llama-router-10)} | Střední | Chyba směrování = selhání vyhledávání | | **Agentic/Web RAG** | Složité, výzkumné, vícekrokové dotazy | Řeší úlohy přesahující lineární pipeline^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-react-11)[\[12\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-webgpt-12)} | Vysoká | Složitost, riziko zacyklení; nutné guardrails | Srovnání klíčových RAG vzorů ## Praktická implementace a architektura ### Fáze nasazení 1. **Proof of Concept (PoC):** Začněte s **Classic RAG** na omezeném, ale reprezentativním datasetu, abyste ověřili kvalitu embeddingů a základní retrieval^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-lewis2020-1)}. 2. **Minimum Viable Product (MVP):** Nasaďte **Hybrid Retrieval** a **Re‑ranking** jako nejlepší poměr „úsilí/efekt"^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-weaviate-hybrid-5)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-nogueira2019-8)}. 3. **Produkce:** Přidejte transformace dotazů (**HyDE**, **Multi‑Query**) a v případě potřeby **Query Routing**; nastavte observability (logování retrievalu/reranku/odpovědí) a A/B testování^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-langchain-multiquery-3)[\[10\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-llama-router-10)}. ### Klíčové komponenty - **Chunking (Dělení na chunky):** Jeden z nejkritičtějších faktorů kvality. Naivní fixní velikost často přerušuje sémantické celky. Doporučují se strukturálně orientované (podle značení) nebo rekurzivní splittery (odstavec → věta → slovo)^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-rcsplit-17)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-llama-hier-18)}. - **Embeddingy a metadata:** Uchovávejte u každého chunku document_id, stránku/sekci, nadpis, data; to je nezbytné pro filtrování a správné citování zdrojů. - **Hybridní retrieval a rerank:** Použijte BM25+vektor s fúzí (nebo RRF), poté cross-encoder pro přeřazení na malém poolu kandidátů^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-qdrant-hybrid-6)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-nogueira2019-8)}. - **Balení kontextu:** Volte *Map‑Reduce*, *Refine* nebo *Tree‑of‑Chunks* pro dlouhé korpusy^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-raptor-16)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-llama-hier-18)}. ### Časté chyby (antivzory) - **Pouze vektorové vyhledávání** bez BM25 → selhání na kódech/ID/akronymech^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-weaviate-hybrid-5)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-milvus-fulltext-7)}. - **Příliš velký/malý chunk** → ztráta kontextu nebo „rozmazání" embeddingu^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-rcsplit-17)}. - **Absence reranku v produkci** → LLM dostává šumivý kontext^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-nogueira2019-8)}. - **Žádná observability** a trasování zdrojů → nelze analyzovat příčiny chyb (viz hodnocení RAG). ## Hodnocení kvality a metriky Hodnocení probíhá na úrovni retrievalu (offline) a end‑to‑end (generování). ### Metriky retrieveru - **Hit Rate, Recall@k, MRR** — pokrytí a pozice relevantních dokumentů. - **Context Precision & Recall** — nakolik extrahovaný kontext neobsahuje „šum" a pokrývá vše potřebné (implementováno v RAGAS)^{[\[19\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-ragas-19)}. ### Metriky generátoru (end‑to‑end) - **Faithfulness / Groundedness** — soulad odpovědi s poskytnutým kontextem. - **Answer Relevancy (Relevance odpovědi)** — soulad s původní otázkou. Pro automatizaci metrik se používají open‑source frameworky: **RAGAS**, **TruLens** (*RAG triad*: context relevance, groundedness, answer relevance), **DeepEval**^{[\[20\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-trulens-20)[\[21\]](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_note-deepeval-21)}. ## Viz také - Retrieval-Augmented Generation (RAG) - Vektorové databáze - Embedding - AI-agent - GraphRAG - MM-RAG - Hodnocení a benchmarky LLM ## Literatura - 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]. ## Poznámky 1. ↑ ^{[1.0](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-lewis2020_1-0)} ^{[1.1](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-lewis2020_1-1)} ^{[1.2](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-lewis2020_1-2)} ^{[1.3](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#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_(CS)#cite_ref-langchain-multiquery_3-0)} ^{[3.1](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-langchain-multiquery_3-1)} ^{[3.2](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#cite_ref-hyde_4-0)} ^{[4.1](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#cite_ref-weaviate-hybrid_5-0)} ^{[5.1](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-weaviate-hybrid_5-1)} ^{[5.2](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-weaviate-hybrid_5-2)} ^{[5.3](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-weaviate-hybrid_5-3)} ^{[5.4](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#cite_ref-qdrant-hybrid_6-0)} ^{[6.1](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-qdrant-hybrid_6-1)} ^{[6.2](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#cite_ref-milvus-fulltext_7-0)} ^{[7.1](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-milvus-fulltext_7-1)} ^{[7.2](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#cite_ref-nogueira2019_8-0)} ^{[8.1](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-nogueira2019_8-1)} ^{[8.2](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-nogueira2019_8-2)} ^{[8.3](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-nogueira2019_8-3)} ^{[8.4](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#cite_ref-cohere-rerank_9-0)} ^{[9.1](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#cite_ref-llama-router_10-0)} ^{[10.1](https://systems-analysis.info/int/RAG_patterns_(CS)#cite_ref-llama-router_10-1)} ^{[10.2](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#cite_ref-react_11-0)} ^{[11.1](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#cite_ref-webgpt_12-0)} ^{[12.1](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#cite_ref-raptor_16-0)} ^{[16.1](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#cite_ref-rcsplit_17-0)} ^{[17.1](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#cite_ref-llama-hier_18-0)} ^{[18.1](https://systems-analysis.info/int/RAG_patterns_(CS)#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_(CS)#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_(CS)#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_(CS)#cite_ref-deepeval_21-0) DeepEval (GitHub). https://github.com/confident-ai/deepeval