AI产品经理必须知道的技术 之 RAG

AI产品经理或者准备从事这个职业的朋友，一定都听说过RAG。RAG全称是Retrieval Augmented Generation，中文意思是检索增强生成，是一种构建AI应用的方法。

今天我就跟大家唠一唠RAG，什么是RAG、RAG的实现方式，以及RAG的典型产品应用分享。

01

—

RAG介绍

RAG是目前AIGC文本生成最普遍、最成熟的应用方法。

通俗地理解就是：把知识库提供给大模型，让大模型根据知识库的内容进行回答。

这和用户直接上传一个文档，让大模型根据文档回答问题有一些小的区别。

RAG有一个前置流程，即先检索知识库，把检索出来的知识片段提供给大模型，再让大模型根据知识片段回答问题。

这么做的好处是什么呢？

总结来说，RAG对AIGC应用的价值有三个方面：

1. RAG可以引导大模型回答内容的范围、提升回答质量。

2. RAG可以补充大模型在专业领域的知识上的不足，可以让大模型变为行业专家，以及让大模型可以获取最新的知识。

3. RAG弥补了大模型处理token长度的限制，对于非常大的知识库，也可以进行检索生成。

举个应用场景的案例：

【场景】你公司有一款产品，你希望将该产品的知识文档，都提供给大模型，给用户提供一个基于大模型的智能问答客服，帮助用户快速解决问题。

RAG可以帮助你实现以下效果：

1、智能客服可以基于产品知识回答问题

回答结果可以引用的文档内容，以及大模型根据它的理解推理给出的答案。

它可以是基于知识内容的总结、解释。

也可以是基于知识内容，进行相关的工具调用，计算推理，得出答案。

也有更高级的用法，例如用思维链的方法，将问题拆分为多个任务，进行下一步的推理。当然思维链的方法已经不是RAG本身了，但我们可以将RAG方法应用在思维链推理模式中，用来构建复杂的任务。

2、知识库是可以实时更新完善的

你可以将最新的知识库内容提供给大模型，让在每次大模型回答问题前，都实时检索最新的内容。你不需要重新设置大模型。只要更新知识库即可。

这里有个小tips，知识库不仅仅是产品文档、用户手册。你也可以将过去大模型回答问题的记录，将其中常见的问题，优秀的回答，差的回答，经过审核筛选后，也作为知识的一部份。这可以很好地提升回答质量。

3、避免 大模型上下文Token长度限制

由于大模型处理内容有token长度限制，虽然随着大模型的升级，它能处理的token数越来越大（例如最新的claude3已经支持20万token）,但是我们仍然需要RAG。

原因有三点：

（1）太长的上下文，处理速度会很慢。

（2）上下文知识并不是越多越好，而是要精确，由于大模型的注意力机制，过多的内容也可能会导致大模型被带偏，不能给出准确的答案。

（3）太长的上下文，成本上升巨大。

02

—

RAG实现

我们再来讲讲如何构建一个基于RAG的大模型应用。

首先，我们要了解RAG的工作流程。

RAG工作流程分为两个主要步骤：

一、构建知识库

二、问答流程

一、构建知识库

构建知识库又分为几个步骤：

内容解析->内容分片->内容Embedding->存储

1、内容解析

内容解析是将不同格式的文档，例如txt,html,word,excel,pdf,markdown 等格式的文件，提取出文本内容（其实也可以是音频、图像，这里方便介绍就以文本举例）。有许多开源工具，均提供了这些能力。

需要注意的是，尽可能地让这些数据解析后的格式更规范，以保证后续提供给大模型的内容质量更好。

2、内容分片

以上解析出来的内容，可能有是很长的篇幅。我们需要将它们切片成小的片段。这些片段就是我们后续要提供给大模型的知识。所以在内容分片时，尽可能让切片内容完整、独立。

简单的方法，一般可以设置一个最大片段字符长度。不超过字符长度的章节段落进行切分。如果知识篇幅不大，也一可以一篇文档一个分片。

3、Embedding

Embedding翻译成中文是嵌入，这个可能有的朋友不太理解。

我们知道一段文字，哪怕是一个词，它包含的信息都是非常非富的，并且不词与词之间，都有关联关系，比如说狗、dog、gou、旺财、二哈，这些词它们的意思是很接近的。但是数据库能存储的信息又是非常有限的。

Embedding通俗地理解就是将信息从非常高的维度，压缩映射成一个有限维度的向量。将一段任意长度的文本，Embedding处理后，都会得到一个多维的向量。例如这样：

[-0.01605728454887867, -0.008948222734034061, -0.015024525113403797, -0.02007514238357544, … -0.0011304783402010798]

我们以一个简单的例子来看：下图是一个三维的空间。

二哈、旺财、dog，狗，猫这几个词被映射到这个空间的某个位置。它们位置距离，就可以表示它们的相关性。位置可以用一个3维向量来表示。

维度越多，能表示的信息就越丰富，充足的语料训练，也能让Embedding 的模型结果更准确。

Embedding我们不是一定只能用大模型的来做，普通的算法也可以做Embedding，但是大模型的Embedding效果会更好。因为它训练的语料充足，维度更多。

OpenAI的Embedding 模型 text-embedding-ada-002 有 1536个维度。

这样两段不同的文本内容，可以映射成二个1536维的向量。

4、存储向量

我们将所有文本内容片段，用Embedding处理好后，可以存储在向量数据库中。因为后续需要在向量数据库中检索数据。

向量数据库比较常用的可以考虑：pgvector（PostgreSQL 的开源扩展），Elasticsearch，Chroma等。这里不作具体优劣对比。

在向量数据库里我们可以存储一些信息，例如：

文档ID、文档内容、章节索引、段落索引、Embedding向量。

存储的文档元信息，可以尽可能丰富一些，因为如果后续要优化，可以对检索的内容进行过滤。

这样，我们就完成了知识库的初始化构建。

二、问答流程

问答流程又分为几个步骤：

用户提问->问题Embedding->检索相关知识->封装Prompt->大模型回答

用户提问与大模型回答是最基础的流程。

在这中间，RAG做了几件事：

1、 问题Embedding

在接到用户的提问后，我们先将用户的问题，也进行Embedding处理，得到一个问题的向量值。

这个向量值，就包含了这个问题的信息，我们通过向量值的比较计算，就能找到与它相关的知识。

2、检索相关知识

将上一步得到的问题向量值，在向量数据库中检索，得到相关的内容片段。这些片段就是我们要提供给大模型的参考知识。

在检索时，我们可以指定返回的结果数，相似度阈值。例如返回相似度最高，且相似度大于0.3的3段内容。

3、封装Prompt

将上一步检索出来的3段内容，与用户问题，组成新的查询prompt，提交给大模型。这样大模型就可以参考我们检索出来的文档内容进行回答。

以上的过程，有很多优化的技巧，需要结合应用场景、数据进行详细的考虑和设计。优化的目的，是为了让大模型的回答更准确。

我总结了几种优化思路：

1. 在对用户问题进行Embedding前，对问题进行补充完善。避免用户问题太过简单、或者有明显错误。

2. 也可以考虑将用户问题，进行主题关键词抽取，或者使用知识图谱等进行初步的信息识别。这么做的目的是，避免用户的问题，信息太多太杂，导致检索出来的相关文档，与用户提问意图关联不大。也就是对用户问题进行简化。

3. 在检索文档时，可以增加一些过滤条件，例如指定章节、关键词包含、日期筛选、相似度阈值等，以使检索出来的内容更准确。

4. 对检索结果，也可考虑将相似度，与文档自身的权重进行综合加权。使提供给大模型的内容资料是最优的。

5. 优化prompt，可以让大模型更好的学习参考内容和回答。这点应该是优化时首先考虑的，也是最低成本的优化方法。

6. 如果有条件可以对大模型的生成内容进行监督，如果不符合预定的规则，则重新生成或者返回其它特定的内容。

03

—

RAG产品案例

RAG方法已经普遍被应用在各种AI产品中了。我们可以看几个产品案例。大家可以根据这些案例，来思考如何落地AI应用。

1、微软Copilot

微软Copilot是结合了BING搜索引擎的AI工具，用户提问后，它会根据搜索引擎的结果，进行总结回答。

对RAG来说，Embedding其实也不是绝对必要的，它的目的是为了更好地检索知识。搜索引擎本身也是检索知识，当然搜索引擎中也广泛地应用了Embedding技术。所以重要的是理解产品的逻辑，根据实际的需求来考虑如何设计产品。

2、 字节Coze

字节的Coze产品，也提供了RAG的能力，允许用户上传自己的知识文档。自动化构建你的专属AI应用。

Coze的使用门槛非常低，免费，不需要乱七八糟的上网方式，非技术人员也可以用，人人都可以创建自己的AI助理。

3 、Langchain-ChatChat

LangChain是一个开源LLM框架，包含了丰富的组件，例如数据处理，Embedding处理和向量存储、LLM终端等。

Langchain-ChatChat是基于LangChain开发的应用，可以集成开源大模型，例如ChatGLM(清华开源大模型)，Qwen（阿里千问开源大模型）等。

它的优势：

（1）可以本地化部署，这样可以保护企业的数据安全，完全运行在企业内部私有环境。

（2）开源软件可以自定义扩展

（3）支持知识库管理等功能，开箱即用。

4、ChatPDF

ChatPDF，以及它有很多类似的工具。可以允许用户上传PDF文件，让大模型根据文件回答问题。

这类产品在早期chatgpt3.5版本时非常火。但后来chatgpt4提供用户上传文档能力后，有所被替代。这其实也是一个趋势，有许多AI应用短期很火，是因为它借助AI能力满足了一部份人的需求，而底层AI公司，现阶段主要在底层模型能力上发力，应用端则开放API，让生态自由发展。但现在AI应用的更新迭代丰常快，可能AI一次升级，许多AI应用产品就被替代了。做AI应用的创业团队，都需要考虑，尽可能的轻量、快速迭代。

5、Video Insights

Video Insights是一款Chatgpt的插件，允许用户提供一段视频（Youtube视频链接）,它可以对YouTube视频进行转录、总结和聊天。

它的原理是先获取Youtube的视频字幕，然后交给Chatgpt作为参考内容，进行总结和对话。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓