【深入浅出RAG】LangChain-RAG优化终章：如何实现最佳检索结果

今天来到LangChain 团队的RAG优化策略演讲的最后环节，也就是下图右边的检索和生成部分。

检索Retrieval

检索部分LangChain团队提到了4种优化方法，分成了两类：排序和改进。

排序包含3种优化方法，重排序rerank，RankGPT和RAG-fusion：

• Re-Rank

Re-Rank就是重排序，原理比较好理解，就是把向量数据库中检索到的结果，比如最相似的前10条记录，再进行排序，并筛选出更小一部分结果，比如前2条。

那为什么不直接选择前2条，还要再进行排序？

主要是因为为了提升在向量数据库中的检索结果，一般会使用向量索引，向量索引的算法（常见的为HNSW算法）都有一定的随机性，会导致除了第一条以外，其他的结果不太准确，因此需要再进行排序。

可以参考Rerank——RAG中百尺竿头更进一步的神器，从原理到解决方案 - 知乎 (zhihu.com)

• RankGPT

这种方法就是使用大模型作为Agent实现重排序的能力，可以参考开源项目：

GitHub - sunnweiwei/RankGPT: Is ChatGPT Good at Search? LLMs as Re-Ranking Agent [EMNLP 2023 Outstanding Paper Award]

不过这种方式貌似比较少见，具体效果待验证。

• RAG-Fusion

这是LangChain团队给的检索优化的第三种方式，

LangChain给出的代码示例其实是把多次查询的结果进行重排序，再返回给大模型，有点把RAG-Fusion和Re-Rank组合的意思。

不过还有一种方式比较常见，是把文本检索的结果和向量检索的结果进行重排序，也算是一种RAG融合吧~

不过这种方式虽然对检索结果有提升，但是提升幅度并不大，谨慎使用~

CRAG (Corrective RAG)

检索部分另外一个优化方式是通过CRAG的方式，CRAG翻译过来是纠正式RAG，就是对于检索结果设定一个标准。

向量检索不是筛查出最相似的前N个值吗？但是这并不代表前几名的相似度一定满足要求，比如全班成绩前几名也有可能不及格_{最高分可能就59分}

如果发生这种情况，一般就代表问题的答案可能并不在向量数据库里，这时候最好的方式是借助外部能力。

当发现检索的结果都不满足要求的时候，就通过重写问题，再去互联网查询相关的内容，把网上查找的结果再做一次RAG，发送给大模型生成结果。

CRAG其实已经需要结合Agent智能体的方式来实现了~在检索和生成环节的优化过程，RAG开始需要和Agent进行融合。

生成 Genration

生成环节其实没有太多的优化办法，主要就是靠大模型和提示词，大模型能力强，结果就好。

不过也不是完全没有优化点的，LangChain在分享中提到了Self-RAG，通过每一步自我反省的方式实现更好的检索效果。

Self-RAG、CRAG已经不仅仅是RAG了，需要结合Agent的能力，因此需要结合LangGraph的能力实现。

本文只做基本介绍，详细的代码实现还需参考LangChain官网。

https://github.com/langchain-ai/langgraph/blob/main/examples/rag/langgraph_crag.ipynb

Self-RAG

Self-RAG 是每执行一步，就进行一次反省，判断这个步骤是否达到要求，如果不满足要求，就返回到第一步进行重写优化。

实际操作中，实现 RAG 需要对上述步骤进行逻辑分析：比如

• 我们需要知道什么时候进行检索（基于问题和索引的构成）

• 何时改写问题以提升检索效率，或者何时抛弃无关的检索结果并重新检索。

在实现过程中，需要结合工作流的方式，将整个流程穿成一个环进行处理。

自适应RAG（Adaptive RAG）

自适应RAG是结合问题分析和Self-RAG的一种方法。先分析问题是否适合RAG，还是应该去互联网查找资料，或者直接通过大模型回答。

需要先通过提示词，让大模型进行问题路由，选择具体是RAG还是其他途径回答。

LangChain 团队提到的RAG优化策略已经全部完毕，总共提到了17种优化方法，再加上自适应RAG，一共18种方法。

虽然方法挺多的，但实际效果并不是等同的，有的方法优化效果明显，但还有部分方法甚至会起到反效果。

在验证过程中，像ColBERT和Re-rank起到的优化效果比较明显。

不过~想要直接感受RAG的优化效果，最好的办法还是亲自尝试。

那么，我们该如何学习大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。

以上的AI大模型学习路线，不知道为什么发出来就有点糊，高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

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、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

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。