本研究提出了一种评估框架，旨在解决气候决策中复杂信息获取的问题，强调负责任地使用检索增强生成方法（RAG）对决策能力的重要性，并提供用户体验的见解。

本研究评估了不同检索增强生成方法对检索精度和答案相似性的影响。研究发现HyDE和大型语言模型重排能提高检索精度，MMR和Cohere重排无优势，Multi-query方法表现不佳。句窗检索是最有效的方法，但答案相似性不稳定。研究证实文件摘要索引是有效的检索方法。欢迎学术界进一步探索RAG系统的研究。

本研究评估了不同检索增强生成方法对检索精度和答案相似性的影响。研究发现，Hypothetical Document Embedding (HyDE) 和大型语言模型重排能显著提高检索精度。Maximal Marginal Relevance (MMR) 和 Cohere 重排在基线 Naive RAG 系统上没有明显优势。句窗检索为最有效的检索精度方法。研究证实文件摘要索引作为一种有效的检索方法。