检索增强生成（RAG）解释：Embedding、Sentence BERT、向量数据库、HNSW

最新推荐文章于 2025-05-15 17:12:29 发布

大模型教程.

最新推荐文章于 2025-05-15 17:12:29 发布

阅读量820

点赞数 10

文章标签： embedding bert 数据库人工智能 chatgpt 产品经理大模型

本文链接：https://blog.csdn.net/Z987421/article/details/146224446

版权

如果说在传统大模型时代到如今o3、deepseek-r1横出的RL in LLM时代，哪项技术填充了中间为满足更强模型性能追求的过渡时期，那必是RAG莫属，根据私有定制的向量数据库的不同，能让LLM个性化满足你的需求，本人也曾在去年9月本地部署Ollama+RAG向量数据库，投喂了几本辰东大大的玄幻小说，用以在某茄小说生成了20万字的网文。本文将重点探讨整个检索增强生成（RAG）pipeline，我们将回顾语言模型的定义，它的training和inference，然后探索RAG pipline 中的主要成分：嵌入向量（embedding vectors）,将了解它是什么，如何计算，以及我们如何计算embedding vectors for sentences，还将探讨什么是向量数据库（vector database），同时探索vector database 用于根据查询（query）找到 embedding vectors 的流行算法 HNSW（Hierarchical Navigable Small Worlds）。

什么是语言模型

语言模型是一种概率模型，它为一系列词语分配概率，在实践中，语言模型使我们能够计算以下内容：

我们通常训练一个神经网络来预测这些概率，在大量文本语料库上训练的神经网络被称为 LLM

How do we train and inference a language model

Training

语言模型是在文本语料库上训练的，即大量文档的集合。通常，语言模型是在整个wikipedia和数百万个网页上训练的，这使得语言模型能尽可能多地获取知识，我们通常训练一个 Transformer 的神经网络作为语言模型.

Inference

为了推理一个语言模型，我们构建一个 prompt 并让语言模型通过 iteratively（迭代）添加 token 来 generate the rest

You are what you eat

一个语言模型只能输出它所训练过的文本和信息，这意味着如果我们只使用英语内容来训练模型，那么它很可能无法输出日语或法语。为了 teach new concepts，我们需要 fine-tune the model

The cons（缺点） of fine-tuning

It can be expensive
The number of parameters may not be sufficient to capture all the knowledge we want to teach to it，这就是为什么引入了 7B，13B and 70B 的 llama
fine-tune is not additive(累加)，它可能会拿新知识replace existing knowledge. eg:一个在英语上训练的语言模型，如果(heavily)fine-tuned on Japanese may “forget” English

Prompt Engineering to the rescue!

通过与prompt交互(playing)，“teach” a language model how to perform a new task，eg: by using “few-shot prompting”:

QA with Prompt Engineering

The pros（优点） of fine-tuning

Higher quality results compared to prompt engineering.
推理过程使用smaller (上下文大小)context size (input size)，因为我们不需要包含 context and instructions

QA with Retrieval Augmented Generation（RAG）

Why do we use vectors to represent words

我们为什么要使用向量来表示单词：eg二维向量中我们希望看到意义相似的词之间的角度较小，意义不同的词之间的角度较大，所以通过将它们投影到高维空间来”捕获“它们所代表的单词的意义

Word embeddings：the ideas

同义词倾向于出现在相同的环境（surrounded by the same words）.
eg: “teacher”，“professor” surrounded by the words "school”，“university”，“exam”，“lecture”，“course”
逆命题也可成立：相同预警中出现的词语往往具有相似含义，这被称为分布假设
这意味着 capture the meaning of the word，我们也需要 access to its context (围绕它的词语)
This is why we employ the Self-Attention mechanissm in the Transformer model to capture contextual information for every token. The Self-Attention mechanism relates every token to all the other tokens in the sentence.

Word embeddings：the Cloze task（完型填空）

这就是BERT训练方法，希望Self-Attention 将所有输入tokrn相关联，这样，BERT就有足够的信息关于缺失词的"上下文"来预测它

Train embedding vectors in BERT

Sentence Embeddings with BERT

Sentence Embeddings
Self-Attention mechanism also to capture the “meaning” of an entire sentence
与Tran embedding vectors in BERT 不同的是，可以使用pre-train的BERT模型来生成整个句子的嵌入

d_=768，这是BERT论文中有的

Sentence Embeddings：comparison

如何比较Sentence Embeddings to see if two sentences have similar “meaning”,我们可以使用余弦相似度，衡量两个向量间角度的余弦值，角度越小，余弦相似度得分越高

Sentence BERT：architecture

Siamese Network 我记得在深度多视图聚类领域里是一个祖师爷级别的 Network，记得是双胞胎网络，相同架构、参数、权重，也能做人脸相似度识别

Strategies to teach new concepts to LLM

原本只是fine-tune，可能遗忘旧知识，但如下这种方法可以给 LLM 提供 new concepts

Vector DB：Introduction

KNN：一种朴素的方法

如果有N个嵌入向量，且d_model=D，则 O(N*D)

Similarity Search: 速度换精度

HNSW是与Qdrant相同的算法，而 Qdarant 是 X 的Grok LLM 使用的开源向量数据库，能实时访问tweets
HNSW：idea #1

插入一个新vector，搜索KNN，并在向量与最前面K results之间建立边，重复搜索，再保留所有访问节点

HNSW：idea #2

HNSW=skip list + navigable small worlds

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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。

这份完整版的大模型 AI 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】