附录 D：参考文献

本文档列出了书中引用的学术论文和关键技术报告，供读者深入研读。

学术论文

检索与上下文长度

• Lost in the Middle: Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P. (2023). Lost in the Middle: How Language Models Use Long Contexts. arXiv preprint arXiv:2307.03172.

  • 解读：揭示了模型在处理长上下文时，倾向于关注开头和结尾的信息，而忽略中间部分。

• Attention Is All You Need: Vaswani, A., et al. (2017). Attention Is All You Need. NIPS.

  • 解读：Transformer 架构的奠基之作，理解 Self-Attention 机制的必读文献。

检索增强生成与检索增强

• RAG: Lewis, P., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS.

  • 解读：RAG 概念的开山之作。

• REPLUG: Shi, W., et al. (2023). REPLUG: Retrieval-Augmented Black-Box Language Models.

  • 解读：探讨了如何将检索器视为黑盒模型的插件进行优化。

技术报告与基准测试

• LongBench: Bai, Y., et al. (2023). LongBench: A Bilingual, Multitask Benchmark for Long Context Understanding.

  • 解读：专门针对长上下文能力的评测基准。

• RAGAS: Es, S., et al. (2023). RAGAS: Automated Evaluation of Retrieval Augmented Generation.

  • 解读：RAG 系统的自动化评估框架。