--- title: "RAG patterns (TH)" source: "https://systems-analysis.info/int/RAG_patterns_(TH)" wiki: "systems-analysis.info/int" article: "RAG_patterns_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Prompt engineering" - "Category:Thai" revision_id: 6113 wiki_created_at: 2026-09-06T23:58:31Z wiki_modified_at: 2026-09-06T23:58:31Z downloaded_at: 2026-09-07T23:12:06Z --- # RAG patterns (TH) **RAG-паттерны** (อังกฤษ: *RAG Patterns*) — คือชุดของแนวทางสถาปัตยกรรมและระเบียบวิธีสำหรับการสร้างระบบ **Retrieval-Augmented Generation** (RAG) รูปแบบเหล่านี้ได้รับการออกแบบมาเพื่อแก้ปัญหาพื้นฐานของโมเดลภาษาขนาดใหญ่ (LLM) เช่น การสร้างข้อมูลเท็จ (hallucination) ความล้าสมัยของความรู้ และการขาดความเฉพาะเจาะจงในโดเมน โดยบูรณาการ LLM เข้ากับแหล่งข้อมูลภายนอกที่เข้าถึงได้แบบไดนามิก^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-lewis2020-1)} วิวัฒนาการของ RAG ได้ดำเนินมาจากไปป์ไลน์เชิงเส้นแบบง่ายไปสู่ระบบโมดูลาร์และระบบเอเจนต์ที่ซับซ้อน^{[\[2\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-survey2024-2)} ## รูปแบบหลักของ RAG ด้วยการพัฒนาของเทคโนโลยี จึงได้เกิด RAG-паттерны หลายรูปแบบ โดยแต่ละรูปแบบแก้ปัญหาเฉพาะเจาะจงและมีการแลกเปลี่ยนระหว่างคุณภาพ ความเร็ว และต้นทุนที่แตกต่างกัน - **Classic RAG (RAG แบบคลาสสิก)** — แนวทางพื้นฐาน โดยคำค้นหาของผู้ใช้จะถูกแปลงเป็น vector เพื่อค้นหาส่วนข้อมูล (chunk) ที่เกี่ยวข้องในฐานข้อมูล vector; chunk ที่พบจะถูกส่งเข้า LLM พร้อมกับคำถามเพื่อสร้างคำตอบ^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-lewis2020-1)} - **Multi‑Query RAG (การค้นหาหลายคำค้น)** — LLM สร้างตัวแปรคำค้นหาที่ถูกกำหนดใหม่หรือขยายความหลายรูปแบบจากคำค้นหาต้นฉบับ; การค้นหาจะดำเนินการตามตัวแปรทั้งหมดและรวมผลลัพธ์เข้าด้วยกัน ซึ่งช่วยเพิ่มความครอบคลุม (*recall*)^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-langchain-multiquery-3)} - **HyDE (Hypothetical Document Expansion)** — สำหรับการเอาชนะ "ช่องว่างทางความหมาย" ระหว่างคำค้นหาสั้นและเอกสารยาว LLM จะสร้างเอกสาร "สมมุติ" เป็นคำตอบก่อน จากนั้น embedding ของเอกสารนั้นจะถูกใช้ในการค้นหา ซึ่งมักช่วยปรับปรุงคุณภาพการดึงข้อมูล^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-hyde-4)} - **Hybrid Retrieval (การค้นหาแบบผสม)** — การรวมการค้นหาเชิงความหมาย (vector) และการค้นหาเชิงคำ (BM25) รูปแบบผสมได้กลายเป็นมาตรฐานสำหรับระบบในระดับ production: การค้นหา vector ครอบคลุมความสอดคล้องเชิงความหมาย ขณะที่ BM25 ค้นพบคำที่แม่นยำ/ID/ตัวย่อ; ผลลัพธ์จะถูกรวมด้วย fusion^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-milvus-fulltext-7)} - **Re‑ranking (การจัดอันดับเพิ่มเติม)** — กระบวนการสองขั้นตอน: ตัวดึงข้อมูลที่รวดเร็วจะส่งชุดตัวเลือก (เช่น top-100) จากนั้น cross-encoder (หรือตัว rerank อื่น) จะคำนวณความเกี่ยวข้องใหม่และคัดเลือกตัวเลือกที่ดีที่สุด (เช่น top-5) สำหรับ LLM^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-cohere-rerank-9)} - **Query Routing (การกำหนดเส้นทางคำค้นหา)** — ในระบบที่มีแหล่งข้อมูลหลายแหล่งที่แตกต่างกัน (index/ฐานข้อมูล/API ต่างๆ) คำค้นหาจะถูกส่งไปยังแหล่งข้อมูลที่ดีที่สุดโดยใช้ router (LLM-selector หรือ classifier); รวมถึง fallback strategy^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-llama-router-10)} - **Agentic/Web RAG (RAG แบบเอเจนต์)** — LLM ทำหน้าที่เป็นเอเจนต์: แยกย่อยคำถามที่ซับซ้อน วางแผนการทำซ้ำ และใช้เครื่องมือ (การค้นหา vector, การค้นหาบนเว็บ) พร้อมการตอบรับ การนำไปใช้งานทั่วไปคือกระบวนทัศน์ ReAct^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-react-11)}; สำหรับการรวบรวมข้อมูลบนเว็บและการอ้างอิงที่บังคับ โปรดดู WebGPT^{[\[12\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-webgpt-12)} ### กระบวนทัศน์ที่เกี่ยวข้องและกำลังพัฒนา - **GraphRAG (RAG แบบกราฟ)** — ใช้กราฟความรู้เป็นแหล่งข้อมูลและกลไกการเลือก context; การค้นหาดำเนินการตามโครงสร้างความสัมพันธ์ระหว่าง entity และข้อความ ซึ่งเพิ่มความสามารถในการตีความและคุณภาพสำหรับคำถาม multi-hop^{[\[13\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-graphrag-13)[\[14\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-graphrag-project-14)} - **MM‑RAG (RAG แบบหลายโมดัล)** — การทำงานกับแหล่งข้อมูลข้อความและภาพ (สแกน/ไดอะแกรม/ตาราง) ตัวอย่าง: VisRAG แสดงให้เห็นการดึงข้อมูลและการสร้างที่เน้น VLM บนเอกสารหลายโมดัล^{[\[15\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-visrag-15)} - **Packaging & Context Handling (การบรรจุ context)** — วิธีการบูรณาการ chunk ที่พบเข้าใน prompt: *Stuff*, *Map‑Reduce*, *Refine*, *Tree‑of‑Chunks (RAPTOR)*^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-raptor-16)} ## ตารางเปรียบเทียบรูปแบบ | รูปแบบ | เมื่อใดควรนำไปใช้ | ผลกระทบต่อคุณภาพ | ต้นทุน / ความหน่วง | ความเสี่ยงและข้อจำกัด | |----------------------|----------------------------------------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------|----------------------------------------------------------| | **Classic RAG** | PoC และ Q&A แบบง่ายบนฐานข้อมูลที่เป็นเนื้อเดียวกัน | ระดับพื้นฐาน; ขึ้นอยู่กับ embedding อย่างมาก^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-lewis2020-1)} | ต่ำ | ความไวต่อการกำหนดคำ; ความเสี่ยงของ context ที่ไม่เกี่ยวข้อง | | **Hybrid Retrieval** | ส่วนใหญ่ในสถานการณ์ production; มีโค้ด/ตัวย่อ/ID จำนวนมาก | เพิ่มความครอบคลุม; ครอบคลุมคำที่แม่นยำ^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-milvus-fulltext-7)} | ต่ำ/ปานกลาง | การปรับน้ำหนัก fusion; สอง index | | **Re‑ranking** | สำคัญเมื่อต้องการความแม่นยำสูง | เพิ่ม precision บน top-k อย่างมีนัยสำคัญ^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-cohere-rerank-9)} | ปานกลาง/สูง | ความหน่วง/ต้นทุนเพิ่มเติม | | **Multi‑Query** | คำค้นหาสั้น/หลายแง่มุม | เพิ่ม recall^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-langchain-multiquery-3)} | ปานกลาง | การกำหนดใหม่ที่ซ้ำซ้อน/มีสัญญาณรบกวน | | **HyDE** | คำค้นหาสั้น/คลุมเครือที่มี "ช่องว่างทางความหมาย" ขนาดใหญ่ | ปรับปรุงคุณภาพการดึงข้อมูล *zero‑shot*^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-hyde-4)} | ปานกลาง | ขึ้นอยู่กับคุณภาพของข้อความ "สมมุติ" | | **Query Routing** | แหล่งข้อมูลหลายแหล่ง (ฐานเอกสาร, SQL, API, เว็บ) | เพิ่มความเกี่ยวข้องด้วยการเลือกแหล่งข้อมูลที่ถูกต้อง^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-llama-router-10)} | ปานกลาง | ข้อผิดพลาดในการกำหนดเส้นทาง = การค้นหาล้มเหลว | | **Agentic/Web RAG** | คำค้นหาที่ซับซ้อน เชิงสืบค้น หลายขั้นตอน | แก้ปัญหาที่อยู่นอกเหนือไปป์ไลน์เชิงเส้น^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-react-11)[\[12\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-webgpt-12)} | สูง | ความซับซ้อน, ความเสี่ยงของการวนซ้ำไม่สิ้นสุด; จำเป็นต้องมี guardrail | การเปรียบเทียบ RAG-паттернов หลัก ## การนำไปใช้งานจริงและสถาปัตยกรรม ### ขั้นตอนการนำไปใช้งาน 1. **Proof of Concept (PoC):** เริ่มต้นด้วย **Classic RAG** บนชุดข้อมูลที่จำกัดแต่เป็นตัวแทน เพื่อตรวจสอบคุณภาพ embedding และการดึงข้อมูลพื้นฐาน^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-lewis2020-1)} 2. **Minimum Viable Product (MVP):** นำ **Hybrid Retrieval** และ **Re‑ranking** ไปใช้งานเป็นอัตราส่วน "ความพยายาม/ผลลัพธ์" ที่ดีที่สุด^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-weaviate-hybrid-5)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-nogueira2019-8)} 3. **Production:** เพิ่มการแปลงคำค้นหา (**HyDE**, **Multi‑Query**) และ **Query Routing** หากจำเป็น; ตั้งค่า observability (การบันทึก log การดึงข้อมูล/rerank/คำตอบ) และการทดสอบ A/B^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-langchain-multiquery-3)[\[10\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-llama-router-10)} ### องค์ประกอบหลัก - **Chunking (การแบ่งส่วนข้อมูล):** หนึ่งในปัจจัยที่วิกฤตที่สุดสำหรับคุณภาพ การแบ่งขนาดคงที่แบบไร้เดียงสามักจะทำลายหน่วยความหมาย แนะนำให้ใช้ splitter ที่เน้นโครงสร้าง (ตาม markup) หรือแบบ recursive (ย่อหน้า → ประโยค → คำ)^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-rcsplit-17)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-llama-hier-18)} - **Embedding และ metadata:** จัดเก็บ document_id, หน้า/ส่วน, หัวข้อ, วันที่ พร้อมกับแต่ละ chunk; สิ่งนี้จำเป็นสำหรับการกรองและการอ้างอิงแหล่งที่มาอย่างถูกต้อง - **Hybrid retrieval และ rerank:** ใช้ BM25+vector พร้อม fusion (หรือ RRF) จากนั้น cross-encoder สำหรับการจัดอันดับใหม่บนกลุ่มตัวเลือกขนาดเล็ก^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-qdrant-hybrid-6)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-nogueira2019-8)} - **การบรรจุ context:** เลือก *Map‑Reduce*, *Refine* หรือ *Tree‑of‑Chunks* สำหรับคลังข้อมูลขนาดใหญ่^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-raptor-16)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-llama-hier-18)} ### ข้อผิดพลาดทั่วไป (anti-pattern) - **เฉพาะการค้นหา vector** โดยไม่มี BM25 → ล้มเหลวกับโค้ด/ID/ตัวย่อ^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-weaviate-hybrid-5)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-milvus-fulltext-7)} - **Chunk ที่ใหญ่/เล็กเกินไป** → สูญเสีย context หรือ embedding "เจือจาง"^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-rcsplit-17)} - **ไม่มี rerank ใน production** → LLM ได้รับ context ที่มีสัญญาณรบกวน^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-nogueira2019-8)} - **ไม่มี observability** และการติดตามแหล่งที่มา → ไม่สามารถวิเคราะห์สาเหตุของข้อผิดพลาด (ดูการประเมิน RAG) ## การประเมินคุณภาพและ metric การประเมินดำเนินการในระดับ retrieval (offline) และ end‑to‑end (การสร้าง) ### Metric ของ retriever - **Hit Rate, Recall@k, MRR** — ความครอบคลุมและตำแหน่งของเอกสารที่เกี่ยวข้อง - **Context Precision & Recall** — ความสะอาดของ context ที่ดึงออกมาจาก "สัญญาณรบกวน" และความครอบคลุมทุกสิ่งที่จำเป็น (นำไปใช้งานใน RAGAS)^{[\[19\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-ragas-19)} ### Metric ของ generator (end‑to‑end) - **Faithfulness / Groundedness** — ความสอดคล้องของคำตอบกับ context ที่ให้ไว้ - **Answer Relevancy (ความเกี่ยวข้องของคำตอบ)** — ความสอดคล้องกับคำถามต้นฉบับ สำหรับการทำ metric อัตโนมัติ จะใช้ open-source framework ได้แก่: **RAGAS**, **TruLens** (*RAG triad*: context relevance, groundedness, answer relevance), **DeepEval**^{[\[20\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-trulens-20)[\[21\]](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_note-deepeval-21)} ## ดูเพิ่มเติม - Retrieval-Augmented Generation (RAG) - ฐานข้อมูล vector - Embedding - AI-agent - GraphRAG - MM-RAG - การประเมินและ benchmark LLM ## วรรณกรรม - 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]. ## หมายเหตุ 1. ↑ ^{[1.0](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-lewis2020_1-0)} ^{[1.1](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-lewis2020_1-1)} ^{[1.2](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-lewis2020_1-2)} ^{[1.3](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#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_(TH)#cite_ref-langchain-multiquery_3-0)} ^{[3.1](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-langchain-multiquery_3-1)} ^{[3.2](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#cite_ref-hyde_4-0)} ^{[4.1](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#cite_ref-weaviate-hybrid_5-0)} ^{[5.1](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-weaviate-hybrid_5-1)} ^{[5.2](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-weaviate-hybrid_5-2)} ^{[5.3](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-weaviate-hybrid_5-3)} ^{[5.4](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#cite_ref-qdrant-hybrid_6-0)} ^{[6.1](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-qdrant-hybrid_6-1)} ^{[6.2](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#cite_ref-milvus-fulltext_7-0)} ^{[7.1](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-milvus-fulltext_7-1)} ^{[7.2](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#cite_ref-nogueira2019_8-0)} ^{[8.1](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-nogueira2019_8-1)} ^{[8.2](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-nogueira2019_8-2)} ^{[8.3](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-nogueira2019_8-3)} ^{[8.4](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#cite_ref-cohere-rerank_9-0)} ^{[9.1](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#cite_ref-llama-router_10-0)} ^{[10.1](https://systems-analysis.info/int/RAG_patterns_(TH)#cite_ref-llama-router_10-1)} ^{[10.2](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#cite_ref-react_11-0)} ^{[11.1](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#cite_ref-webgpt_12-0)} ^{[12.1](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#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_(TH)#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_(TH)#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_(TH)#cite_ref-raptor_16-0)} ^{[16.1](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#cite_ref-rcsplit_17-0)} ^{[17.1](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#cite_ref-llama-hier_18-0)} ^{[18.1](https://systems-analysis.info/int/RAG_patterns_(TH)#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_(TH)#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_(TH)#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_(TH)#cite_ref-deepeval_21-0) DeepEval (GitHub). https://github.com/confident-ai/deepeval