好的，这是根据您的标题生成的文章：

RAGYi经成为现代 AI 应用的基石，但要真正提升检索效果，仅仅依赖 LLM 的知识库是不够的。向量库和 Chunking 是 RAG 的两个核心组成部分，它们的协同作用至关重要。本文将深入探讨如何通过巧妙地结合这两个技术来优化 RAG 系统。

1. 什么是 RAG？

RAG 的核心思想是先从外部知识源检索相关信息，然后将这些信息作为上下文输入 LLM，从而生成geng准确、geng有依据的答案。与直接依赖 LLM 的知识储备不同，RAG Ke以访问Zui新的信息，并减少“幻觉”问题。

2. 为什么需要 Chunking？

Chunking 是将原始文档分割成geng小的、语义相关的片段的过程。合理的 chunking Ke以提高检索效率，并确保 LLM Neng够获取到Zui relevant 的信息。常见的 chunking 方法包括固定大小、基于句子分割和语义分割等。

2.1 Chunking 的策略

固定大小简单易行，但可Neng在句子边界上进行切割，导致语义断裂。

基于句子分割保留句子的完整性，但可Neng无法捕捉长文本中的上下文关系。

语义分割根据语义相似度进行切割，Ke以geng好地保留上下文关系，但计算复杂度较高。

3. 向量库的作用

向量库用于存储文本的 embedding，以便快速检索相似的文本片段。常用的向量数据库包括 Milvus、Pinecone 和 Weaviate 等。

3.1 选择合适的向量数据库

Milvus开源方案，适合大规模应用；

Pinecone托管服务，易于部署和管理；

Weaviate图数据库 + 向量索引，适合知识图谱场景；

**Bedrock**：利用 OpenAI 的托管服务 。

4. 如何结合 Chunking 和 向量库？

将 Chunked 文档转换为 embedding 后存入 vector db, 查询时使用相同的 embedding 方法.

4.1 Embedding 模型选择 * **BGE-M3**: 中英双语, 自研模型, 高性价比; * **Cohere**: API 服务, 多语言支持, 高质量; * **text-embedding--small/large**: OpenAI 模型, 需要 Pin 版本; * **Llama2**: 开源模型 ; * **Claude**: 托管服务

4.2 Hybrid Search: BM25 + Vector * 将 BM25 作为初始筛选器, vector 作为精调器. 5. RRF

RRF 是一个常用的融合算法, 将多个召回结果按照置信度排序后合并.

这是示例代码

pythondef rrf: # ... pythondef rrf_fusion: # ...