RAG 开发四大痛点及解决方案

健忘的派大星

于 2024-10-01 08:00:00 发布

阅读量405

点赞数 19

文章标签：人工智能语言模型 ai agi RAG Agent LLM

本文链接：https://blog.csdn.net/2401_85327249/article/details/142642333

版权

痛点1：知识缺失

知识库缺乏必要的上下文信息，导致 RAG 系统在无法找到确切答案时，可能会提供模棱两可的错误信息，而不是直接表明其无知。这种情况下，用户可能会接收到误导性的信息，从而感到沮丧。针对这一问题，有以下两种解决方案：

解决方案一：优化数据质量

“垃圾输入，垃圾输出。” 若源数据质量不佳，比如：存在相互矛盾的信息，即便是再完美的 RAG 流程也无法从劣质数据中提炼出有价值的知识。以下提出的解决方案不仅能解决这一难题，还能应对本文中提到的其他问题。高质量的数据是确保 RAG 流程顺畅运行的关键。

以下是一些常见的数据优化策略：

1. 清除噪音和无关信息：包括移除特殊字符、停用词（比如：“the”和“a”等常见词汇）以及 HTML 标签。

2. 识别并修正错误：涉及拼写错误、打字错误和语法错误。拼写检查工具和语言模型等资源对此很有帮助。

3. 去除重复数据：消除可能干扰检索过程的重复或相似记录。

解决方案二：优化提示词设计

由于知识库信息不足，系统可能会提供看似合理却错误的答案。在这种情况下，优化提示词可以显著提升系统表现。通过使用“若你不确定答案，请表明你不知道”等提示词，可以引导大模型承认其局限，并更清晰地表达不确定性。虽然这不能确保答案的绝对正确性，但在数据优化之后，设计恰当的提示词是提高系统透明度的有效手段之一。

痛点2：更相关的知识没有检索出来

在初步检索阶段知识未能被检索出来。关键的文档可能没有在检索组件给出的初步结果中，导致正确答案被遗漏，大模型因此无法提供精确的响应。研究指出：“问题的答案其实就藏在文档里，只是因为它排名不够高，所以没有被呈现给用户。”针对这一问题，有以下两种解决方案：

解决方案一：调整 chunk_size 和 similarity_top_k 超参数

在 RAG 模型中，chunk_size 和 similarity_top_k 是控制数据检索效率和准确性的两个关键参数。对这些参数的调整会影响到计算效率和信息检索质量之间的平衡。

解决方案二：Rerank 重排序

在将检索结果传递给大语言模型（LLM）之前对其进行重新排序，可以显著增强 RAG 系统的性能。LlamaIndex 的笔记揭示了有无重新排序的差别：

未经重新排序直接获取前两个节点的检索结果，导致结果不够精确。
相比之下，检索前 10 个节点并利用 CohereRerank 进行重排序，然后仅返回前两个节点，可以实现更精确的检索。

import os 
from llama _ index.postprocessor.cohere _ rerank import CohereRerank 

api _ key = os.environ  [  "COHERE _ API _ KEY"  ] 
cohere _ rerank = CohereRerank ( api _ key=api _ key , top _ n=2 ) # return top 2 nodes from reranker 

query _ engine = index.as _ query _ engine  ( 
similarity _ top _ k=10 ,  # we can set a high top _ k here to ensure maximum relevant retrieval 
node _ postprocessors= [ cohere _ rerank ],  # pass the reranker to node _ postprocessors 
 ) 

response = query _ engine.query  ( 
 "What did Sam Altman do in this essay?" , 
 )

痛点3：格式错误

输出格式不正确。当大语言模型（LLM）未能遵循以特定格式（比如：表格或列表）提取信息的指令时，我们提出了以下四种解决方案：

解决方案一：优化提示词设计

为了改善提示词并解决这一问题，可以采取以下几种策略：

明确指出格式要求。
简化指令并突出关键术语。
提供具体示例。
对提示词进行迭代并追加相关问题。

解决方案二：输出解析方法

输出解析可以用于以下目的，以确保获得期望的输出格式：

为每个提示/查询提供格式化指南。
对LLM的输出进行“解析”处理。

以下是一个使用 LangChain 输出解析模块的示例代码片段，该模块可在LlamaIndex 中应用。

from llama _ index.core import VectorStoreIndex , SimpleDirectoryReader 
from llama _ index.core.output _ parsers import LangchainOutputParser 
from llama _ index.llms.openai import OpenAI 
from langchain.output _ parsers import StructuredOutputParser , ResponseSchema 

 # load documents , build index 
documents = SimpleDirectoryReader  (  " .. /paul _ graham _ essay/data"  ).load _ data  (  ) 
index = VectorStoreIndex.from _ documents ( documents )

 # define output schema 
response _ schemas =  [ 
ResponseSchema  ( 
name=  "Education" , 
description=  "Describes the author's educational experience/background." , 
 ) , 
ResponseSchema  ( 
name=  "Work" , 
description=  "Describes the author's work experience/background." , 
 ) , 
 ] 

 # define output parser 
lc _ output _ parser = StructuredOutputParser.from _ response _ schemas  ( 
response _ schemas 
 ) 
output _ parser = LangchainOutputParser ( lc _ output _ parser )

 # Attach output parser to LLM 
llm = OpenAI ( output _ parser=output _ parser )

 # obtain a structured response 
query _ engine = index.as _ query _ engine ( llm=llm )
response = query _ engine.query  ( 
 "What are a few things the author did growing up?" , 
 ) 
print ( str ( response ))

解决方案三：Pydantic 程序

Pydantic 程序是一个多功能的框架，它能够将输入的字符串转换成结构化的 Pydantic 对象。LlamaIndex 提供了几种不同类型的 Pydantic 程序：

LLM 文本补全 Pydantic 程序：这类程序负责处理输入的文本，并将其转换成用户自定义的结构化对象，这个过程结合了文本补全 API 和输出解析。

LLM 函数调用 Pydantic 程序：这些程序通过使用 LLM 函数调用 API 来处理输入文本，并将其转换成用户指定的结构化对象。

预制 Pydantic 程序：这些程序设计用于将输入文本转换成预定义的结构化对象。

以下是一个使用 OpenAI 的 Pydantic 程序的示例代码片段：

from pydantic import BaseModel 
from typing import List 

from llama _ index.program.openai import OpenAIPydanticProgram 

 # Define output schema ( without docstring )
class Song  (  BaseModel  ) : 
title : str 
length _ seconds : int 


class Album  (  BaseModel  ) : 
name : str 
artist : str 
songs : List [ Song ]

 # Define openai pydantic program 
prompt _ template _ str =  """\ 
Generate an example album , with an artist and a list of songs.\ 
Using the movie { movie _ name } as inspiration.\ 
 """ 
program = OpenAIPydanticProgram.from _ defaults  ( 
output _ cls=Album , prompt _ template _ str=prompt _ template _ str , verbose= True 
 ) 

 # Run program to get structured output 
output = program  ( 
movie _ name=  "The Shining" , description=  "Data model for an album." 
 )

**解决方案四：**OpenAI JSON 模式

通过OpenAI的 JSON 模式，我们可以将`response_format`设置为`{ “type”: “json_object” }`，从而激活响应的 JSON 模式。当启用 JSON 模式后，大模型将被限制仅生成可以解析为有效 JSON 对象的字符串。JSON 模式确保了输出格式的强制性，但它并不支持根据特定模式进行验证。

痛点4：输出不完整

回答缺失完整性。虽然部分答复没有错误，但它们并未包含所有必要的细节，即便这些信息在上下文中是可获取的。比如：当有人提问：“文档A、B和C中讨论的主要议题是什么？”为了确保回答的完整性，单独对每份文档进行查询可能更为有效。

解决方案一：查询变换

在最初的 RAG 方法中，比较类型的问题表现尤为不佳。提升 RAG 推理能力的一个有效方法是引入查询理解层——在实际将查询向量存入存储之前进行查询变换。以下是四种不同的查询变换方法：

1. 路由：保留原始查询，并识别出与之相关的合适工具子集。随后，将这些工具指定为合适的选项。

2. 查询重写：保留选定的工具，但以不同方式重新构建查询，以便在同一工具集中应用。

3. 子问题分解：将查询拆分为几个更小的问题，每个问题针对不同的工具，由其元数据来决定。

4. ReAct Agent 工具选择：基于原始查询，确定使用的工具，并制定在该工具上运行的特定查询。

请参考以下示例代码片段，了解如何应用 HyDE（假设文档嵌入）这一查询重写技术。给定一个自然语言查询，首先生成一个假设文档/答案。接着，使用这个假设文档进行嵌入搜索，而不是使用原始查询。

 # load documents , build index 
documents = SimpleDirectoryReader  (  " .. /paul _ graham _ essay/data"  ).load _ data  (  ) 
index = VectorStoreIndex ( documents )

 # run query with HyDE query transform 
query _ str =  "what did paul graham do after going to RISD" 
hyde = HyDEQueryTransform ( include _ original=True )
query _ engine = index.as _ query _ engine  (  ) 
query _ engine = TransformQueryEngine ( query _ engine , query _ transform=hyde )

response = query _ engine.query ( query _ str )
print ( response )