Update README.md

rag/README.md

@@ -10,8 +10,6 @@
 
 ## **数据集**
 
-数据构建详情参考[qa_generation_README](https://github.com/SmartFlowAI/EmoLLM/blob/ccfa75c493c4685e84073dfbc53c50c09a2988e3/scripts/qa_generation/README.md)
-
 - 经过清洗的QA对: 每一个QA对作为一个样本进行 embedding
 - 经过筛选的TXT文本
 	- 直接对TXT文本生成embedding (基于token长度进行切分)
@@ -19,6 +17,8 @@
 	- 过滤目录等无关信息后, 对TXT进行语意切分生成embedding
 	- 按照目录结构对TXT进行拆分，构架层级关系生成embedding
 
+数据集合构建的详情，请参考 [qa_generation_README](https://github.com/SmartFlowAI/EmoLLM/blob/ccfa75c493c4685e84073dfbc53c50c09a2988e3/scripts/qa_generation/README.md)
+
 ## **相关组件**
 
 ### [BCEmbedding](https://github.com/netease-youdao/BCEmbedding?tab=readme-ov-file)
@@ -32,7 +32,7 @@ LangChain 是一个开源框架，用于构建基于大型语言模型（LLM）
 
 ### [FAISS](https://faiss.ai/)
 
-Faiss是一个用于高效相似性搜索和密集向量聚类的库。它包含的算法可以搜索任意大小的向量集。由于langchain已经整合过FAISS，因此本项目中不在基于原生文档开发，[FAISS in Langchain](https://python.langchain.com/docs/integrations/vectorstores/faiss)
+Faiss是一个用于高效相似性搜索和密集向量聚类的库。它包含的算法可以搜索任意大小的向量集。由于langchain已经整合过FAISS，因此本项目中不在基于原生文档开发[FAISS in Langchain](https://python.langchain.com/docs/integrations/vectorstores/faiss)
 
 
 ### [RAGAS](https://github.com/explodinggradients/ragas)
@@ -56,10 +56,14 @@ RAG的经典评估框架，通过以下三个方面进行评估:
 - 对召回数据重排序
 - 依据用户问题和召回数据生成最后的结果
 
+**Noted**: 当用户选择使用RAG时才会进行上述流程
+
 ### 后续增强
 
 - 将RAGAS评判结果加入到生成流程中。例如，当生成结果无法解决用户问题时，需要重新生成
-- 增加
+- 增加web检索以处理vector DB中无法检索到对应信息的问题
+- 增加多路检索以增加召回率。即根据用户输入生成多个类似的query进行检索
+