浅谈大模型RAG架构落地的十大挑战

—0—

RAG 简介

RAG（Retrieval Augmented Generation）结合知识库检索与大模型回答，确保信息可靠且精准，同时节省了微调成本。

RAG 流程简要概括为3步，对应其名：

1、检索：借助 Embedding，将问题转化为向量，比对知识库，选取最相关的 Top K 知识。

2、增强：结合检索出的上下文和问题，构造 Prompt。

3. 生成：将 Prompt 输入大模型，产出答案。

从工程视角划分，RAG 实施分为两阶段：

阶段一：离线数据预处理：涵盖知识文件导入、文本切分、向量构建及数据库存储，完成知识的索引构建。

阶段二、在线应用推理执行：实时执行信息检索与大模型内容生成任务，实现交互式问答流程。

—1—

数据准备阶段的挑战一

挑战一：文本划分不当，影响检索内容的精确度与全面性。

文本块的划分尺寸直接关系到查询时与用户提问的贴合度：过小的区块可能无法涵盖问题所有相关内容；反之，过大则易引入冗余信息。

当前多种文本切分策略存在，但理想的切分方法需贴合特定领域文档特性，考虑因素包括文件格式、作者书写习惯及表述模式等。因此，选取最合适的切块策略需依据具体情况，并可能针对文档的不同类别采取定制化处理。核心在于确保分割逻辑遵循语义完整性，以实现内容的有效组织。

—2—

数据检索阶段的挑战二

挑战二：尽管向量检索作为主流方法依赖于相似度评估，但它亦面临多方面局限。

1、语义理解偏差：向量表示偶尔难以区分近义概念的细微差异，可能引起误解。

2、维度考量失衡：如余弦相似度侧重向量方向而非其规模，可能导致虽方向相近但在意义层面相去甚远的匹配。

3、信息粒度不协调：用户查询的精确向量可能指向具体信息点，而数据库条目若是宽泛主题，则检索结果易过度泛化。

4、上下文匹配不足：现有向量搜索技术偏向整体相似性判断，可能忽略局部或特定上下文中的更高相似度信息。

5、稀疏数据检索难：在大规模知识库中定位关键片段尤为困难，特别是当所需信息零散分布于多文档时，此挑战更为显著。

—3—

数据检索阶段的挑战三

挑战三：多个检索结果排名和优先级不合适，导致大模型的回答没有抓住重点。

准确评估并排序多个检索片段对于生成高质量回答极为关键，此过程需精密平衡各段落的相关性和重要性。这不仅考验着排序算法的有效性，还隐含了对领域知识深入理解的需求，以便在信息筛选与排序阶段实现智能化决策。

—4—

大模型生成阶段的挑战四

挑战四：提升 Prompt 设计以引导大模型依据既有知识库与提示词，输出更佳答案是一项重大任务。

Prompt 创作远超于问题与检索材料的直接整合，它要求根据生成模型的独特性，采取定制化的表述策略与附加指导。为了约束大模型潜在的泛化偏差，确立一个恒定的“角色框架”显得尤为关键，比如：明确指示大模型“扮演该领域的权威学者”，或“仅限于利用提问与关联素材进行精要概述与总结”，从而在各种情境下维持回答的精准度与相关性。

—5—

大模型生成阶段的挑战五

挑战五：确保大模型回应的连贯性与一致性，面临的信息整合难题尤为突出。

大模型需面对的挑战在于，整合源自多样文献的知识碎片，以及用户提问中多关键词触发的多样化内容。在此基础上，大模型必须展现出高度的整合能力，使得最终的输出结果不仅在逻辑链条上紧密相连，而且在观点与事实的呈现上保持高度一致，这一过程对大模型的综合推理与衔接能力提出了严峻考验。

—6—

大模型生成阶段的挑战六

挑战六：大模型如何更好地理解领域知识片段。

各个大模型在掌握特定领域知识及专业术语的深度不一，致使它们在解析检索到的信息及构造反馈时展现出差异性。缩小这一差距的关键，在于实施针对性的微调策略，旨在强化大模型对该领域的语言理解力及内容生成的精准度，从而促进其更深层次地融入与适应专业话语体系。

—7—

知识准备阶段的挑战七

挑战七：优化 RAG 的瓶颈：确保高效且可靠的问答对供给。

在追求 RAG 系统性能巅峰的过程中，大量高质量的问答对用作调优数据显得至关重要。尽管广泛认同丰富 QA 对的积累能极大促进调优效果，但手动创建这些资源无疑是一项耗时巨大的工程，而依赖自动化生成则可能牺牲内容的可靠性。因此，探索一种既能保证效率又能维护准确性的 QA 对生成机制，成为决定 RAG 系统最终成效的核心挑战。

—8—

意图识别阶段的挑战八

挑战八： 界定合理拒答的微妙平衡 。

面对用户提问，尤其当问题超越了现有文献资料范畴时，恰当时机的拒答成为一大考验。应当在无法给予确切信息时勇于说“不知道”，以免提供错误引导。实践中，虽常借助相似度阈值或场景语料库作为判断标尺，却依然难以实现百分之百的精准。过于频繁的拒答可能导致用户体验冷漠，而过度猜测回答又可能损害系统信誉。因此，拿捏拒答的恰当火候，成为维护问答系统信誉与用户信任的关键。

—9—

多模态 RAG 的挑战九

挑战九： 多模态的支持是必然趋势 。

在多模态 RAG 的研究中，针对不同的模态，包括：图像、代码、结构化知识、音频和视频，有不同的检索和合成程序、目标任务和挑战。比如：通过图像检索扩展文本生成的上下文，利用样例代码和相关文档增强代码生成等等。

—10—

RAG 评价的挑战十

挑战十： 科学衡量 RAG 在特定领域的实用性门槛 。

评估 RAG 在某一领域的应用成熟度，类似于采用 RAGAs 评估框架，需独立提供问题(question)与标准答案(ground_truth)，这使得评估结果高度依赖于问题设计的合理性与标准答案的准确性。

此外，评估流程的复杂性—涉及大模型及嵌入模型的性能，进一步要求模型本身的稳定可靠，以及输入 Prompt 的精确无误，否则评估指标将失去可信度。因此，确保大模型与 Prompt 的质量，成为验证 RAG 应用效能的关键挑战。

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】🆓