到目前为止，我们看到的所有技术都是“静态的”，它们不会从错误中吸取教训。反馈循环改变了这一点。
源代码
https://github.com/CrazyAndy/rag-all-techniques/blob/main/app/10_feedback_loop.py
RAG中的反馈循环机制(Feedback Loop)
实现一个具备反馈循环机制的RAG系统，通过持续学习实现性能迭代优化。系统将收集并整合用户反馈数据，使每次交互都能提升回答的相关性与质量。
传统RAG系统采用静态检索模式，仅依赖嵌入相似性获取信息。而本系统通过反馈循环构建动态优化框架，实现：
- 记忆有效/无效的交互模式
- 动态调整文档相关性权重
- 将优质问答对整合至知识库
-
通过用户互动持续增强智能水平
实现步骤：
- 加载历史反馈数据集
- 文档预处理与分块处理
- 可选基于历史反馈微调向量索引
- 基于反馈修正的相关性评分执行检索与生成
- 收集新用户反馈数据用于后续优化
- 持久化存储反馈数据支撑系统持续学习能力
RAG中的反馈循环机制(Feedback Loop)
大家一起来讨论