--- title: "RAG patterns (HE)" source: "https://systems-analysis.info/int/RAG_patterns_(HE)" wiki: "systems-analysis.info/int" article: "RAG_patterns_(HE)" language: "he" categories: - "Category:Hebrew" - "Category:Large language models" - "Category:Prompt engineering" revision_id: 6109 wiki_created_at: 2026-09-06T23:58:27Z wiki_modified_at: 2026-09-06T23:58:27Z downloaded_at: 2026-09-07T23:12:05Z --- # RAG patterns (HE) **RAG-פטרנים** (באנגלית: *RAG Patterns*) — הם אוסף של גישות ארכיטקטוניות ומתודולוגיות לבניית מערכות **Retrieval-Augmented Generation** (RAG). פטרנים אלה נועדו לפתור בעיות יסודיות של מודלי שפה גדולים (LLM), כגון הזיות, התיישנות ידע ומחסור בספציפיות דומיינית, באמצעות שילוב LLM עם מקורות נתונים חיצוניים הנגישים באופן דינמי^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-lewis2020-1)}. האבולוציה של RAG עברה מצינורות לינאריים פשוטים למערכות מודולריות וסוכניות מורכבות^{[\[2\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-survey2024-2)}. ## פטרני RAG עיקריים עם התפתחות הטכנולוגיה, צמחו פטרני RAG רבים, שכל אחד מהם פותר משימות מסוימות ומציע פשרות שונות בין איכות, מהירות ועלות. - **Classic RAG (RAG קלאסי)** — גישה בסיסית שבה בקשת המשתמש עוברת וקטוריזציה לצורך חיפוש קטעים (chunks) רלוונטיים ב-DB וקטורי; הקטעים שנמצאו מועברים ל-LLM יחד עם השאלה לצורך יצירת תשובה^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-lewis2020-1)}. - **Multi‑Query RAG (שאילתות מרובות)** — ה-LLM מייצר מספר גרסאות מנוסחות מחדש/מדויקות יותר של השאילתה המקורית; החיפוש מתבצע לפי כל הגרסאות, התוצאות מאוחדות, מה שמגביר את השלמות (*recall*)^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-langchain-multiquery-3)}. - **HyDE (Hypothetical Document Expansion)** — לצורך גישור על ה"פער הסמנטי" בין שאילתה קצרה למסמכים ארוכים. ה-LLM מייצר תחילה מסמך-תשובה "היפותטי", ולאחר מכן ה-embedding שלו משמש לחיפוש, מה שלעיתים קרובות משפר את איכות השליפה^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-hyde-4)}. - **Hybrid Retrieval (חיפוש היברידי)** — שילוב של חיפוש סמנטי (וקטורי) ולקסיקלי (BM25). סכמות היברידיות הפכו לסטנדרט עבור מערכות production: חיפוש וקטורי מכסה התאמות סמנטיות, ו-BM25 מאתר מונחים/ID/ראשי תיבות מדויקים; התוצאות מאוחדות בשיטת fusion^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-milvus-fulltext-7)}. - **Re‑ranking (דירוג מחדש)** — תהליך דו-שלבי: retriever מהיר מחזיר קבוצת מועמדים (לדוגמה, top‑100), לאחר מכן cross-encoder (או reranker אחר) מחשב מחדש את הרלוונטיות ובוחר את הטובים ביותר (לדוגמה, top‑5) עבור ה-LLM^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-cohere-rerank-9)}. - **Query Routing (ניתוב שאילתות)** — במערכות עם מספר מקורות נתונים הטרוגניים (אינדקסים/DB/API שונים) השאילתה מופנית למקור הטוב ביותר באמצעות router (סלקטור מבוסס LLM או מסווג); כולל אסטרטגיות fallback^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-llama-router-10)}. - **Agentic/Web RAG (RAG סוכני)** — ה-LLM פועל כסוכן: מפרק שאלות מורכבות, מתכנן איטרציות ומשתמש בכלים (חיפוש וקטורי, חיפוש ברשת) עם משוב. מימוש טיפוסי — פרדיגמת ReAct^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-react-11)}; לאיסוף מוכוון-אינטרנט עם ציטוט חובה ראו WebGPT^{[\[12\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-webgpt-12)}. ### פרדיגמות קרובות ומתפתחות - **GraphRAG (RAG גרפי)** — משתמש בגרף ידע כמקור ומנגנון בחירת הקשר; החיפוש עובר דרך מבנה הקשרים בין ישויות וטקסט, ומשפר פרשנות ואיכות על שאלות multi‑hop^{[\[13\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-graphrag-13)[\[14\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-graphrag-project-14)}. - **MM‑RAG (RAG מולטי-מודאלי)** — עבודה עם טקסט ומקורות ויזואליים (סריקות/תרשימים/טבלאות). דוגמה: VisRAG מדגים retrieval ויצירה מוכווני VLM על מסמכים מולטי-מודאליים^{[\[15\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-visrag-15)}. - **Packaging & Context Handling (אריזת הקשר)** — שיטות לשילוב קטעים שנמצאו ב-prompt: *Stuff*, *Map‑Reduce*, *Refine*, *Tree‑of‑Chunks (RAPTOR)*^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-raptor-16)}. ## טבלת השוואה של פטרנים | פטרן | מתי ליישם | השפעה על האיכות | עלות / זמן תגובה | סיכונים ומגבלות | |----------------------|--------------------------------------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|------------------|--------------------------------------------------| | **Classic RAG** | PoC ו-Q&A פשוטים על בסיס הומוגני | רמה בסיסית; תלוי מאוד ב-embeddings^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-lewis2020-1)} | נמוכה | רגישות לניסוח; סיכון להקשר לא רלוונטי | | **Hybrid Retrieval** | ברוב תרחישי production; הרבה קודים/ראשי תיבות/ID | משפר שלמות; מכסה מונחים מדויקים^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-milvus-fulltext-7)} | נמוכה/בינונית | כיוון משקלי fusion; שני אינדקסים | | **Re‑ranking** | קריטי כשדיוק גבוה חשוב | שיפור משמעותי ב-precision על top‑k^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-cohere-rerank-9)} | בינונית/גבוהה | זמן תגובה/עלות נוספים | | **Multi‑Query** | שאילתות קצרות/רב-היבטיות | משפר recall^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-langchain-multiquery-3)} | בינונית | ניסוחים עודפים/רועשים | | **HyDE** | שאילתות קצרות/עמומות עם "פער סמנטי" גדול | משפר איכות retrieval ב-*zero‑shot*^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-hyde-4)} | בינונית | תלוי באיכות הטקסט ה"היפותטי" | | **Query Routing** | מספר מקורות (בסיס מסמכים, SQL, API, אינטרנט) | משפר רלוונטיות באמצעות מקור נכון^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-llama-router-10)} | בינונית | שגיאת ניתוב = כישלון חיפוש | | **Agentic/Web RAG** | שאילתות מורכבות, אנליטיות, רב-שלביות | פותר משימות מעבר לצינור לינארי^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-react-11)[\[12\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-webgpt-12)} | גבוהה | מורכבות, סיכון לתקיעות בלולאה; דרושים guardrails | השוואת פטרני RAG מרכזיים ## יישום מעשי וארכיטקטורה ### שלבי יישום 1. **Proof of Concept (PoC):** התחל עם **Classic RAG** על קבוצת נתונים מוגבלת אך מייצגת, כדי לבדוק את איכות ה-embeddings וה-retrieval הבסיסי^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-lewis2020-1)}. 2. **Minimum Viable Product (MVP):** הטמע **Hybrid Retrieval** ו-**Re‑ranking** כיחס הטוב ביותר של "מאמץ/אפקט"^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-weaviate-hybrid-5)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-nogueira2019-8)}. 3. **Production:** הוסף טרנספורמציות שאילתות (**HyDE**, **Multi‑Query**) ובמידת הצורך **Query Routing**; הגדר observability (לוגינג של retrieval/rerank/תשובות) וA/B testing^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-langchain-multiquery-3)[\[10\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-llama-router-10)}. ### רכיבים מרכזיים - **חלוקה לקטעים (Chunking):** אחד הגורמים הקריטיים ביותר לאיכות. גודל קבוע נאיבי לרוב קוטע יחידות סמנטיות. מומלצים מפצלים מבניים (לפי תגיות) או רקורסיביים (פסקה → משפט → מילה)^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-rcsplit-17)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-llama-hier-18)}. - **Embeddings ומטא-נתונים:** אחסן עם כל קטע document_id, עמוד/קטע, כותרת, תאריכים; זה הכרחי לסינון וציטוט נכון של מקורות. - **Hybrid retrieval וreranking:** השתמש ב-BM25+וקטור עם fusion (או RRF), ולאחר מכן cross-encoder לדירוג מחדש על מאגר מועמדים קטן^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-qdrant-hybrid-6)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-nogueira2019-8)}. - **אריזת הקשר:** בחר *Map‑Reduce*, *Refine* או *Tree‑of‑Chunks* עבור קורפוסים ארוכים^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-raptor-16)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-llama-hier-18)}. ### טעויות נפוצות (אנטי-פטרנים) - **חיפוש וקטורי בלבד** ללא BM25 → כשלונות על קודים/ID/ראשי תיבות^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-weaviate-hybrid-5)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-milvus-fulltext-7)}. - **קטע גדול/קטן מדי** → אובדן הקשר או "דילול" ה-embedding^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-rcsplit-17)}. - **היעדר reranking ב-production** → ה-LLM מקבל הקשר רועש^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-nogueira2019-8)}. - **אין observability** ומעקב מקורות → אי-אפשר לנתח סיבות שגיאות (ראו הערכת RAG). ## הערכת איכות ומטריקות ההערכה מתבצעת ברמת ה-retriever (אופליין) ו-end‑to‑end (יצירה). ### מטריקות retriever - **Hit Rate, Recall@k, MRR** — כיסוי ומיקום מסמכים רלוונטיים. - **Context Precision & Recall** — עד כמה ההקשר שנשלף נקי מ"זבל" ומכסה את כל הנדרש (מיושם ב-RAGAS)^{[\[19\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-ragas-19)}. ### מטריקות generator (end‑to‑end) - **Faithfulness / Groundedness** — התאמת התשובה להקשר שסופק. - **Answer Relevancy (רלוונטיות תשובה)** — התאמה לשאלה המקורית. לאוטומציה של מטריקות משתמשים ב-frameworks בקוד פתוח: **RAGAS**, **TruLens** (*RAG triad*: context relevance, groundedness, answer relevance), **DeepEval**^{[\[20\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-trulens-20)[\[21\]](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_note-deepeval-21)}. ## ראו גם - Retrieval-Augmented Generation (RAG) - מסדי נתונים וקטוריים - Embedding - סוכן AI - GraphRAG - MM-RAG - הערכה ו-benchmarks של LLM ## ספרות - 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]. ## הערות 1. ↑ ^{[1.0](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-lewis2020_1-0)} ^{[1.1](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-lewis2020_1-1)} ^{[1.2](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-lewis2020_1-2)} ^{[1.3](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#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_(HE)#cite_ref-langchain-multiquery_3-0)} ^{[3.1](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-langchain-multiquery_3-1)} ^{[3.2](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#cite_ref-hyde_4-0)} ^{[4.1](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#cite_ref-weaviate-hybrid_5-0)} ^{[5.1](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-weaviate-hybrid_5-1)} ^{[5.2](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-weaviate-hybrid_5-2)} ^{[5.3](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-weaviate-hybrid_5-3)} ^{[5.4](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#cite_ref-qdrant-hybrid_6-0)} ^{[6.1](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-qdrant-hybrid_6-1)} ^{[6.2](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#cite_ref-milvus-fulltext_7-0)} ^{[7.1](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-milvus-fulltext_7-1)} ^{[7.2](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#cite_ref-nogueira2019_8-0)} ^{[8.1](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-nogueira2019_8-1)} ^{[8.2](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-nogueira2019_8-2)} ^{[8.3](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-nogueira2019_8-3)} ^{[8.4](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#cite_ref-cohere-rerank_9-0)} ^{[9.1](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#cite_ref-llama-router_10-0)} ^{[10.1](https://systems-analysis.info/int/RAG_patterns_(HE)#cite_ref-llama-router_10-1)} ^{[10.2](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#cite_ref-react_11-0)} ^{[11.1](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#cite_ref-webgpt_12-0)} ^{[12.1](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#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_(HE)#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_(HE)#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_(HE)#cite_ref-raptor_16-0)} ^{[16.1](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#cite_ref-rcsplit_17-0)} ^{[17.1](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#cite_ref-llama-hier_18-0)} ^{[18.1](https://systems-analysis.info/int/RAG_patterns_(HE)#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_(HE)#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_(HE)#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_(HE)#cite_ref-deepeval_21-0) DeepEval (GitHub). https://github.com/confident-ai/deepeval