--- title: "RAG patterns (TR)" source: "https://systems-analysis.info/int/RAG_patterns_(TR)" wiki: "systems-analysis.info/int" article: "RAG_patterns_(TR)" language: "tr" categories: - "Category:Large language models" - "Category:Prompt engineering" - "Category:Turkish" revision_id: 6115 wiki_created_at: 2026-09-06T23:58:33Z wiki_modified_at: 2026-09-06T23:58:33Z downloaded_at: 2026-09-07T23:12:07Z --- # RAG patterns (TR) **RAG Örüntüleri** (İng. *RAG Patterns*) — **Retrieval-Augmented Generation** (RAG) sistemleri oluşturmak için kullanılan mimari ve metodolojik yaklaşımlar bütünüdür. Bu örüntüler; büyük dil modellerinin (LLM) halüsinasyonlar, bilgi güncelliğini yitirme ve alan özgüllüğünün yetersizliği gibi temel sorunlarını, LLM'leri harici ve dinamik olarak erişilebilir veri kaynaklarıyla entegre ederek çözmek amacıyla tasarlanmıştır^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-lewis2020-1)}. RAG'ın evrimi, basit doğrusal boru hatlarından karmaşık modüler ve ajanlı sistemlere doğru ilerlemiştir^{[\[2\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-survey2024-2)}. ## RAG'ın Temel Örüntüleri Teknolojinin gelişimiyle birlikte pek çok RAG örüntüsü ortaya çıkmıştır; her biri belirli sorunları çözmekte ve kalite, hız ile maliyet arasında farklı dengeler sunmaktadır. - **Classic RAG (Klasik RAG)** — Kullanıcının sorgusunun vektörleştirilerek vektör veritabanındaki ilgili parçaların (chunk) arandığı temel yaklaşım; bulunan chunk'lar, yanıt üretimi için soruyla birlikte LLM'e iletilir^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-lewis2020-1)}. - **Multi‑Query RAG (Çoklu Sorgu)** — LLM, orijinal sorgunun birden fazla yeniden ifade edilmiş/netleştirilmiş varyantını üretir; arama tüm varyantlar üzerinden gerçekleştirilir ve sonuçlar birleştirilerek kapsam (*recall*) artırılır^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-langchain-multiquery-3)}. - **HyDE (Hypothetical Document Expansion)** — Kısa sorgu ile uzun belgeler arasındaki "anlamsal uçurumu" aşmak için kullanılır. LLM önce "hipotetik" bir yanıt belgesi üretir, ardından bu belgenin embedding'i arama için kullanılır; bu yaklaşım çoğunlukla elde etme kalitesini artırır^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-hyde-4)}. - **Hybrid Retrieval (Hibrit Arama)** — Anlamsal (vektör) arama ile sözcüksel (BM25) aramanın birleşimi. Hibrit şemalar üretim sistemleri için standart hâline gelmiştir: vektör arama anlam eşleşmelerini karşılarken BM25 tam terimleri/ID'leri/kısaltmaları bulur; sonuçlar fusion yöntemiyle birleştirilir^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-milvus-fulltext-7)}. - **Re‑ranking (Yeniden Sıralama)** — İki aşamalı bir süreç: hızlı bir retriever aday kümesini (örneğin ilk 100) döndürür, ardından bir cross-encoder (ya da başka bir reranker) alaka düzeyini yeniden hesaplayarak LLM için en iyi sonuçları (örneğin ilk 5) seçer^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-cohere-rerank-9)}. - **Query Routing (Sorgu Yönlendirme)** — Birden fazla heterojen veri kaynağına (farklı indeksler/veritabanları/API'ler) sahip sistemlerde sorgu, bir yönlendirici (LLM seçici veya sınıflandırıcı) aracılığıyla en uygun kaynağa yönlendirilir; fallback stratejileri de içerir^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-llama-router-10)}. - **Agentic/Web RAG (Ajanlı RAG)** — LLM bir ajan olarak işlev görür: karmaşık soruları parçalara ayırır, yinelemeleri planlar ve geri bildirimle araçları (vektör arama, web araması) kullanır. Tipik uygulama ReAct paradigmasıdır^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-react-11)}; web odaklı veri toplama ve zorunlu alıntılama için WebGPT'ye bakınız^{[\[12\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-webgpt-12)}. ### İlgili ve Gelişmekte Olan Paradigmalar - **GraphRAG (Graf RAG)** — Bağlam kaynağı ve seçim mekanizması olarak bir bilgi grafiği kullanır; arama, varlıklar arasındaki bağlantıların yapısı ve metin üzerinden gerçekleşerek çok adımlı (multi-hop) sorularda yorumlanabilirliği ve kaliteyi artırır^{[\[13\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-graphrag-13)[\[14\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-graphrag-project-14)}. - **MM‑RAG (Çok Modlu RAG)** — Metin ve görsel kaynaklarla (taramalar/şemalar/tablolar) çalışır. Örnek: VisRAG, çok modlu belgeler üzerinde VLM odaklı retrieval ve üretimi göstermektedir^{[\[15\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-visrag-15)}. - **Packaging & Context Handling (Bağlam Paketleme)** — Bulunan chunk'ların prompt'a entegre edilme yöntemleri: *Stuff*, *Map‑Reduce*, *Refine*, *Tree‑of‑Chunks (RAPTOR)*^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-raptor-16)}. ## Örüntülerin Karşılaştırma Tablosu | Örüntü | Ne Zaman Kullanılır | Kaliteye Etkisi | Maliyet / Gecikme | Riskler ve Kısıtlamalar | |----------------------|------------------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-------------------|---------------------------------------------------------| | **Classic RAG** | Homojen bir taban üzerinde PoC ve basit Q&A | Temel düzey; embedding'lere güçlü bağımlılık^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-lewis2020-1)} | Düşük | İfadeye duyarlılık; alakasız bağlam riski | | **Hybrid Retrieval** | Çoğu üretim senaryosunda; çok sayıda kod/kısaltma/ID içeren durumlarda | Kapsamı artırır; tam terimleri karşılar^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-milvus-fulltext-7)} | Düşük/Orta | Fusion ağırlıklarının ayarlanması; iki ayrı indeks | | **Re‑ranking** | Yüksek hassasiyet kritik olduğunda | İlk k'da precision'da belirgin artış^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-cohere-rerank-9)} | Orta/Yüksek | Ek gecikme/maliyet | | **Multi‑Query** | Kısa/çok yönlü sorgular | Recall'ı artırır^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-langchain-multiquery-3)} | Orta | Gereksiz/gürültülü yeniden ifadeler | | **HyDE** | Büyük "anlamsal uçurum" barındıran kısa/belirsiz sorgular | *Zero‑shot* retrieval kalitesini iyileştirir^{[\[4\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-hyde-4)} | Orta | "Hipotetik" metnin kalitesine bağımlılık | | **Query Routing** | Birden fazla kaynak (belge tabanı, SQL, API, web) | Doğru kaynak sayesinde alaka düzeyini artırır^{[\[10\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-llama-router-10)} | Orta | Yanlış yönlendirme = arama başarısızlığı | | **Agentic/Web RAG** | Karmaşık, araştırmacı, çok aşamalı sorgular | Doğrusal boru hattının ötesindeki görevleri çözer^{[\[11\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-react-11)[\[12\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-webgpt-12)} | Yüksek | Karmaşıklık, döngüye girme riski; guardrail gereksinimi | Temel RAG Örüntülerinin Karşılaştırması ## Pratik Uygulama ve Mimari ### Uygulama Aşamaları 1. **Proof of Concept (PoC):** Embedding kalitesini ve temel retrieval'ı doğrulamak için sınırlı ancak temsili bir veri kümesi üzerinde **Classic RAG** ile başlayın^{[\[1\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-lewis2020-1)}. 2. **Minimum Viable Product (MVP):** En iyi "çaba/etki" oranı olarak **Hybrid Retrieval** ve **Re‑ranking** uygulayın^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-weaviate-hybrid-5)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-nogueira2019-8)}. 3. **Üretim:** Sorgu dönüşümleri (**HyDE**, **Multi‑Query**) ve gerektiğinde **Query Routing** ekleyin; observability (retrieval/rerank/yanıt günlükleme) ve A/B testi yapılandırın^{[\[3\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-langchain-multiquery-3)[\[10\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-llama-router-10)}. ### Temel Bileşenler - **Chunking (Parçalama):** Kalite açısından en kritik etkenlerden biridir. Naif sabit boyut çoğunlukla anlam birimlerini böler. Yapı odaklı (işaretlemeye göre) veya özyinelemeli bölücüler (paragraf → cümle → sözcük) önerilir^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-rcsplit-17)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-llama-hier-18)}. - **Embedding'ler ve Meta Veriler:** Her chunk ile birlikte document_id, sayfa/bölüm, başlık ve tarihler saklayın; bu bilgiler filtreleme ve doğru kaynak alıntılaması için zorunludur. - **Hibrit Retrieval ve Rerank:** Fusion (veya RRF) ile BM25+vektör kullanın, ardından küçük bir aday havuzunda yeniden sıralama için cross-encoder uygulayın^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-qdrant-hybrid-6)[\[8\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-nogueira2019-8)}. - **Bağlam Paketleme:** Uzun korpuslar için *Map‑Reduce*, *Refine* veya *Tree‑of‑Chunks* seçin^{[\[16\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-raptor-16)[\[18\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-llama-hier-18)}. ### Yaygın Hatalar (Antipatternler) - **Yalnızca vektör arama** — BM25 olmadan → kodlar/ID'ler/kısaltmalar üzerinde başarısızlık^{[\[5\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-weaviate-hybrid-5)[\[7\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-milvus-fulltext-7)}. - **Çok büyük/çok küçük chunk** → bağlam kaybı veya embedding'in "bulanıklaşması"^{[\[17\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-rcsplit-17)}. - **Üretimde rerank yokluğu** → LLM gürültülü bağlam alır^{[\[8\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-nogueira2019-8)}. - **Observability ve kaynak takibi eksikliği** → hata nedenlerini analiz etmek imkânsızlaşır (bkz. RAG değerlendirmesi). ## Kalite Değerlendirmesi ve Metrikler Değerlendirme, retrieval düzeyinde (çevrimdışı) ve uçtan uca (üretim) olmak üzere iki düzeyde gerçekleştirilir. ### Retriever Metrikleri - **Hit Rate, Recall@k, MRR** — İlgili belgelerin kapsamı ve konumu. - **Context Precision & Recall** — Elde edilen bağlamın "gürültüsüzlüğü" ve gerekli tüm bilgileri kapsama derecesi (RAGAS'ta uygulanmıştır)^{[\[19\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-ragas-19)}. ### Üretici Metrikleri (Uçtan Uca) - **Faithfulness / Groundedness** — Yanıtın sağlanan bağlamla uyumu. - **Answer Relevancy (Yanıt Alaka Düzeyi)** — Orijinal soruyla uyum. Metriklerin otomatikleştirilmesi için açık kaynaklı framework'ler kullanılır: **RAGAS**, **TruLens** (*RAG triad*: context relevance, groundedness, answer relevance), **DeepEval**^{[\[20\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-trulens-20)[\[21\]](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_note-deepeval-21)}. ## Ayrıca bakınız - Retrieval-Augmented Generation (RAG) - Vektör Veritabanları - Embedding - AI Ajanı - GraphRAG - MM-RAG - LLM Değerlendirmesi ve Benchmark'ları ## Kaynakça - 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]. ## Notlar 1. ↑ ^{[1.0](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-lewis2020_1-0)} ^{[1.1](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-lewis2020_1-1)} ^{[1.2](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-lewis2020_1-2)} ^{[1.3](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#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_(TR)#cite_ref-langchain-multiquery_3-0)} ^{[3.1](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-langchain-multiquery_3-1)} ^{[3.2](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#cite_ref-hyde_4-0)} ^{[4.1](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#cite_ref-weaviate-hybrid_5-0)} ^{[5.1](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-weaviate-hybrid_5-1)} ^{[5.2](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-weaviate-hybrid_5-2)} ^{[5.3](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-weaviate-hybrid_5-3)} ^{[5.4](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#cite_ref-qdrant-hybrid_6-0)} ^{[6.1](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-qdrant-hybrid_6-1)} ^{[6.2](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#cite_ref-milvus-fulltext_7-0)} ^{[7.1](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-milvus-fulltext_7-1)} ^{[7.2](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#cite_ref-nogueira2019_8-0)} ^{[8.1](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-nogueira2019_8-1)} ^{[8.2](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-nogueira2019_8-2)} ^{[8.3](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-nogueira2019_8-3)} ^{[8.4](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#cite_ref-cohere-rerank_9-0)} ^{[9.1](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#cite_ref-llama-router_10-0)} ^{[10.1](https://systems-analysis.info/int/RAG_patterns_(TR)#cite_ref-llama-router_10-1)} ^{[10.2](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#cite_ref-react_11-0)} ^{[11.1](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#cite_ref-webgpt_12-0)} ^{[12.1](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#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_(TR)#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_(TR)#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_(TR)#cite_ref-raptor_16-0)} ^{[16.1](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#cite_ref-rcsplit_17-0)} ^{[17.1](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#cite_ref-llama-hier_18-0)} ^{[18.1](https://systems-analysis.info/int/RAG_patterns_(TR)#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_(TR)#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_(TR)#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_(TR)#cite_ref-deepeval_21-0) DeepEval (GitHub). https://github.com/confident-ai/deepeval