Higress-RAG：面向企业检索增强生成的全链路优化框架

Weixi Lin

Higress-RAG：面向企业检索增强生成的全链路优化框架

信息检索 2026-03-02 v1 人工智能计算与语言

作者: Weixi Lin

摘要

大语言模型(LLM)向企业知识管理系统的整合经受了检索增强生成(RAG)范式的推动，该范式将参数化记忆与非参数化外部数据相结合。然而，从概念验证向生产级RAG系统的转变受阻于三个持久挑战：复杂查询检索精度低、生成阶段幻觉率高、实时应用响应延迟不可接受。本文详细分析了Higress RAG MCP Server——一种新型企业中心架构，通过“全链路优化”策略解决这些瓶颈。该系统基于模型上下文协议(MCP)，构建分层架构，编排自适应路由、语义缓存、混合检索与纠错RAG(CRAG)等精细化管线。我们详述了关键创新技术实现，包括Higress-Native Splitter用于结构化数据摄取、采用逆向排名融合(RRF)合并稠密与稀疏检索信号，以及具动态阈值的50ms语义缓存机制。针对Higress技术文档与博客等领域特定数据进行实验验证，结果表明通过从预检索查询重写到后检索纠错评估的全生命周期优化，Higress RAG系统提供了面向企业AI部署的可扩展、抗幻觉解决方案。

关键词

RAG 企业 Higress 自适应路由语义缓存混合检索 CRAG 逆向排名融合

引用

@article{arxiv.2602.23374,
  title  = {Higress-RAG: A Holistic Optimization Framework for Enterprise Retrieval-Augmented Generation via Dual Hybrid Retrieval, Adaptive Routing, and CRAG},
  author = {Weixi Lin},
  journal= {arXiv preprint arXiv:2602.23374},
  year   = {2026}
}

备注

7 pages,5 figures, our submissions are not yet published

Higress-RAG：面向企业检索增强生成的全链路优化框架

摘要

关键词

引用

备注

相关论文