![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
RAG实践
文章平均质量分 95
linmoo1986
这个作者很懒,什么都没留下…
展开
-
检索增强生成RAG系列8--RAG提升之评估
在论文中,针对前面四种能力和三种质量分散,给出来传统指标如何去评价这几种能力。但这并不是RAG评估的最好的方案,在论文中,提出目前更好的评估基准和工具,基准的主要贡献在于构造指标和数据集,可以评估RAG各方面基本能力,一些典型基准如RGB、RECALL、CRUD等。RAG评估的工具大多数采用大模型进行评估,典型如RAGAS 、ARES和TruLens等。原创 2024-07-05 14:01:50 · 767 阅读 · 0 评论 -
检索增强生成RAG系列7--RAG提升之高级阶段
系列5中讲到会讲解3个方面RAG的提升,它们可能与RAG的准确率有关系,但是更多的它们是有其它用途。本期来讲解第三部分:高级阶段。之所以说是高级阶段,可能是不好归一,而且实现起来相对于前面来说可能更为复杂。在系列4中讲到问题优化的方法RAG-Fusion,里面提到了它与Multi-Query最后不同就是使用RRF对结果进行重排。其实重排是一种提高RAG问题准确率很好的方法,但是之所以没有放入RAG优化,而放入RAG提升,主要考虑2方面,其一是它其实算是一套流程中一个中间操作,在问题优化方法中也有提到过,不原创 2024-07-05 14:01:04 · 877 阅读 · 0 评论 -
检索增强生成RAG系列5--RAG提升之路由(routing)
在系列3和系列4我讲了关于一个基本流程下,RAG的提高准确率的关键点,那么接下来,我们再次讲解2个方面,这2个方面可能与RAG的准确率有关系,但是更多的它们是有其它用途。本期先来讲解RAG路由。原创 2024-07-02 13:24:27 · 940 阅读 · 0 评论 -
检索增强生成RAG系列4--RAG优化之问题优化
方法描述场景通过生成更多角度的问题针对问题模糊时RAG-fusion在Multi-Query基础上,在检索文档结果后增加RRF重排针对问题模糊时HyDE使用大模型生成假设性答案,再使用答案去查询相似度,而不是原始问题用户问题和语义不在一个空间将问题分解为子问题,再通过并行或串行方式获得答案针对复杂问题或者需要逻辑推理问题Step-back使用few-shot方式,让大模型基于原始问题提出更为抽象问题针对复杂问题。原创 2024-06-30 18:34:15 · 1103 阅读 · 0 评论 -
检索增强生成RAG系列3--RAG优化之文档处理
在上一章中罗列了对RAG准确度的几个重要关键点,主要包括2方面,这一章就针对其中一方面,来做详细的讲解以及其解决方案。原创 2024-06-30 18:31:46 · 1074 阅读 · 0 评论 -
检索增强生成RAG系列2--提高RAG准确度的关键点
本章中我们通过更为详细的描述RAG整体架构流程图,并一一分析了里面对于RAG准确度的影响。文档处理和问题优化。接下来几章可能真的这些部分做出详细的一些优化策略的解决方案,同时也会总结一些实战经验。原创 2024-06-27 16:45:39 · 1069 阅读 · 0 评论 -
检索增强生成RAG系列1--RAG的实现
大模型出现涌现能力之后,针对大模型的应用也如雨后春笋般。但是,在大模型真正落地之前,其实还需要做好最后一公里,而这个最后一公里,其中不同应用有着不同的方法。其中prompt、微调和RAG都是其中方法之一。本系列就是针对RAG从入门到落地应用的流程。原创 2024-06-27 16:44:13 · 590 阅读 · 0 评论