RAG检索增强生成全流程实践

简介： 检索增强生成（Retrieval Augmented Generation, RAG），解决大模型在长尾知识、数据时效性、私有数据和来源可解释性方面的挑战。通过构建高质量知识库，处理多种格式文档，包括PDF解析，以及利用Elasticsearch和向量检索技术，提升检索效率和准确性。

检索增强生成（Retrieval Augmented Generation, RAG）

检索增强生成是指提供外部知识给大预言模型，对于用户提问，通过信息检索技术加载与问题相关的信息，LLM利用这些信息回答问题。下图是检索增强生成的简单示意图。检索增强生成可以解决大模型在以下四个方面的欠缺。

长尾知识

LLM的海量训练数据也无法覆盖所有知识，在有限的参数量下，LLM也无法完全记忆所有知识。实践证明，LLM对长尾知识回答的准确性相比于通用知识差不少。

数据时效性

训练数据中不包含未来的事实，LLM的知识存在过时的情况。

私有数据

训练数据都是公开的数据，LLM没有未学习过的私有知识，如企业内部规章制度，特定领域业务知识等。

来源和可解释性

LLM的生成结果是不可解释的，没有来源和参考依据，使用检索增强的方式可以追溯到信息来源。

知识库构建

文档处理

外部文档包括txt、pdf、word、html等格式，部分格式的数据是结构化的，可以比较完整地提取出文档的标题、段落、表格中的信息，如html、word；部分格式没有或无法识别到样式信息，是非结构化的，如pdf，txt，pdf中还可以包含图片、表格等信息。

知识库的质量是检索和生成的基础，文档切分需要尽可能保证知识的完整性和关联性。对于不同格式内容的文档，要采取不同的切分策略；由于向量模型和LLM输入长度的的限制，分块大小也是需要考虑的重要因素；文档的标题索引是对段落信息的浓缩，能提高跨段落问题的检索准确度。

规章制度主要是pdf文档。pdf内容的解析一直是业界的难题。由于pdf技术规范复杂，设计理念主要关注渲染结果，忽略了文档结构信息，机器无法准确识别文档的逻辑和语义结构。本文使用了基于规则和基于智能识别模型的方式提取pdf内容信息。

基于规则提取

对于按标题、章节、条目规范组织，有特定格式的文档可以使用基于正则表达式匹配的方式进行切分。首先对提取到的文本替换、删除特殊字符，按段落进行划分，匹配每个段落的章节条信息，组织成文档树的形式，每个叶子节点是文本段落，非叶子节点是标题，遍历整棵树，可以提取到文档的内容和结构信息，按照标题层级、块大小将叶子节点的文本段落合并为父文档，同时存储子文档和父文档，二者同时用于检索，最终返回上下文语义更完整的父文档。

由于各种文档格式多变，一些文档年限比较久远，实际处理过程中还有很多细节需要调整，部分文档难以达到理想的切分效果，但实际应用中对数据也没有严格的要求，该方案简单可行。

不规则文档处理

基于规则的切分方式无法处理标题组织个性化、pdf文字提取不完全的、包含表格、图片的文档，需要机器像人一样去识别文档结构，理解表格图片信息。

基于深度学习的PP-StructureV2是一个智能文档分析系统，支持对图片/pdf形式的文档进行版面分析，可以划分文字、标题、表格、图片、公式等区域，支持通用的中英文表格检测任务，表格区域进行结构化识别，最终结果输出Excel文件，在专门的数据集上进行训练后识别准确度更高。

多模态数据

除了最常见的各种格式文档外，外部数据还可能是多模态的，比如视频、音频、图片等格式，需要专门的多模态模型识别。

检索模块

使用Elasticseach进行全文检索和向量检索，对词汇和语义进行双路召回，对召回结果进行相关度重排，取评分最高的top k个文档片段，最终返回topk个语义更完整的父文档。

向量检索

传统的相似语义判断是基于词汇匹配的，无法表示文本的内在特征。向量检索将文本表示为维度相同的特征向量，使用向量相似度度量的方式判断语义相关性。本文使用的向量模型来自MTEB（Massive Text Embedding Benchmark）评测榜单，并在专业数据上进行了微调，使用Elasticsearc的KNN向量检索，向量距离度量方式为点积，在检索速度和准确度方面都有不错的效果。

单一的查询实现简单高效，但受限于用户表达和模型能力，可能无法完全捕捉到用户意图返回完全的结果，可以使用LLM对用户问题生成多个相似的查询，对每组查询结果进行倒数融合排序（Reciprocal Rank Fusion）作为向量检索的结果。这种方式对LLM的基座能力有一定要求，需要生成多个有效的查询。

全文检索

基于概率的BM25检索算法是当前使用效果最好的算法之一，被广泛应用于信息检索领域。本文使用开源搜索分析引擎Elasticseach完成全文检索，其默认使用的算法就是BM25。文档切块之后，将标题、段落信息存入ES建立倒排索引，检索阶段对用户提问进行分词、去除停用词、同义词替换等处理，按BM25算法评分召回top k个段落。

分词策略、词库大小是影响检索准确度的重要因素，全文检索在一定程度上可以弥补向量检索在专业领域上的不足，因为向量模型的训练语料大多来自通用领域。

语义重排

对向量检索和全文检索的结果进一步进行相关度排序，使用重排模型对查询和答案计算相关性分数并重新排序，分数低于阈值直接过滤，重排后显著提高topk召回的准确率。

回答生成模块

对于检索出的topk个文本段落，尽可能多的在提示词中填充文本块，算力充足的情况下可以将问题和相关文本依次组合成提示词交给LLM总结、修正，最终生成准确的答案。

系统整个链路的耗时主要在此模块，LLM的推理需要大量显存和算力资源，可以考虑以量化方式或者推理加速框架部署模型。

为减少响应时间，可以根据用户对回答的满意度将命中的历史问题放入缓存，提高响应速度，减少资源占用。

结果分析

本文对基于检索增强生成的知识库问答系统进行了实践落地，对不同的检索策略、向量模型微调前后进行了对比分析。本系统在国产化和非国产化软硬件环境均进行了适配，能稳定运行。

检索策略对比

在2000多个测试问题上评估了各种检索策略的效果，在top1、top5和top10检索上，使用命中率和平均倒数排名（Mean Reciprocal Rank, MRR）两个评价指标评估检索效果。

测试问题来自LLM对每一个文档段落生成的问题——答案对，检索返回对应的原段落即为命中。由于切块效果和LLM能力限制，生成的部分问题可能并不合理，与文档段落的对应关系不一定准确，需要经过人工标注。

单一的向量检索效果一般，加入重排和全文检索后效果有明显提升，在top5准确度有80%，考虑到评测数据和计算方式，实际应用效果要优于这个值。

向量模型使用的是对比学习的训练方式，目标是由问题匹配段落，训练数据需要有问题、正例、负例，其中问题来自LLM生成的问题——答案对中的问题，正例即是对应的段落，负例通过检索问题并重排，依据相似度评分进行筛选生成。训练过程中为达到大的batch_size效果，需要开启梯度累加。

微调之后向量检索的准确率提升显著，提升近20%的准确率，但整体的检索效果提升在top10上只有3%。

不足与展望

基于规则和块大小的切片方法存在丢失语义，无法处理不规则文档，开源版面分析模型难以处理复杂文档；尝试更多的切块方法，尽可能保证语义的关联性和完整性，增加对复杂图片、复杂表格的处理，在自有数据集上进行版面分析模型的训练或微调。

向量模型和大语言模型正在持续发展，需要时刻关注，选择更优的向量模型，提升检索准确度；选用基座能力更强的LLM，提高总结回答能力。

专业词库小，查询向量单一；通过多向量查询、倒数融合排序、扩充词库等方式提升检索准确度。

人工标注数据，微调向量模型和大模型。

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓