检索增强生成(RAG)模式在开发特定数据领域的 LLM 方面得到了广泛应用。然而,目前的研究主要集中在提升检索工具的效率上,例如嵌入搜索、混合搜索和微调嵌入,而非智能搜索。本文提出了一种新的设计理念,该理念借鉴了人类在研究中采用的多种搜索技术、观察中间结果、不断优化和迭代的方法,最终形成答案。通过智能体设计,本文旨在提出一种超越传统 RAG 模型限制的更智能、更基于知识的 LLM。
RAG 模式及其局限性
RAG 实施模式概述:
-
首先,从用户的问题或对话中生成查询,通常通过一个提示的语言模型(LLM)完成,这一步骤被称为查询改写。
-
接着,该查询被发送到搜索引擎,以检索相关信息(检索)。
-
检索到的信息随后与用户的问题结合,并通过提示进行增强,然后传递给 LLM(增强)。
-
最后,LLM 根据用户的查询提供答案(生成)。
RAG 的局限性:
-
在 RAG 模式中,检索、增强和生成由独立的流程管理,每个流程可能由不同的 LLM 和提示完成。但是,直接与用户互动的生成 LLM 通常更清楚如何回答用户的问题。检索 LLM 可能无法像生成 LLM 那样准确理解用户意图,可能会提供过多无关信息,影响其回答能力。
-
对于每个问题,检索仅执行一次,生成 LLM 没有反馈机制。如果检索结果不相关,生成 LLM 缺乏修正机制,可能只能编造答案。
-
一旦提供检索上下文,就无法更改,且无法扩展。如果检索结果表明需要进一步调查,如检索文档指向另一个应进一步检索的文档,RAG 模式没有为此提供解决方案。
-
RAG 模式不支持多步骤研究。
智能体模型
智能体模型借鉴了人类在缺乏即时知识时回答问题的研究方法。在这个过程中,可能会执行一个或多个搜索,以收集有用信息,然后再给出最终答案。每个搜索的结果可以决定是否需要进一步调查,如果需要,后续搜索的方向是什么。这个迭代过程持续进行,直到我们认为已经积累了足够的知识来回答,或者得出结论我们无法找到足够的信息来回应。有时,研究结果可以导致对用户意图和查询范围的进一步澄清。
为了模拟这种方法,我们建议开发一个由语言模型(LLM)驱动的智能体,该智能体管理与用户的对话。智能体自主决定何时需要使用外部工具进行研究,制定一个或多个搜索查询,执行研究,审查结果,并决定是否继续进行进一步研究或向用户寻求澄清。这个过程一直持续,直到智能体认为自己准备好向用户提供答案。
实施
利用 Azure OpenAI 的函数调用能力,实现一个能够自主使用搜索工具查找所需信息以协助用户请求的智能体变得更加简单。这个特性简化了 RAG 模式的传统实现,其中查询改写、增强和生成是分开处理的。
智能体与用户互动时,会依据系统定义的人设和目标,同时意识到自己可以调用的搜索工具。当智能体需要获取它所缺乏的知识时,它会制定一个搜索查询,并向搜索引擎发出检索请求。
这个过程不仅类似于人类行为,而且比 RAG 模式更高效,后者的检索是一个独立过程,无论信息是否必要都会提供给聊天机器人。
要实现这一功能:
-
定义人设、预期行为以及何时使用工具。
-
使用 JSON 格式定义函数规格,包括函数和参数描述。
“用于搜索知识库的搜索查询”的参数描述非常关键。它引导 LLM 根据对话中协助用户的需要制定合适的搜索查询。此外,搜索查询参数可以被描述并限制为符合特定工具格式,如 Lucene 查询格式。也可以为过滤等任务添加额外的参数。
- 实施函数调用流程
在这一点上,我们已经开发了一个能够独立进行搜索的智能体。但是,为了创建一个能够执行更复杂研究任务的智能体,如多步骤和自适应执行,我们需要实现一些额外的能力。幸运的是,这个实现过程可以是直接而简单的。
增强智能研究的智能体
在系统消息中添加智能体的计划、行动、观察和调整能力,如下所示:
添加的指令表明,如果需要,智能体应该重试并更改问题。它还说,智能体应该审查搜索结果以指导下一个搜索,并在需要时采用多步骤方法。这意味着可以多次调用搜索工具。
由于 LLM 无法自行重复此过程,我们需要使用应用程序逻辑来管理。我们可以通过将整个过程放入循环中来实现这一点。当模型准备好给出最终答案时,循环结束:
下是智能体在演示场景中的实际操作示例:
问题是对两个产品特性的比较。每个产品的特性存储在不同的文档中。为了回答这个问题,我们的智能体执行了两个搜索查询:
-
搜索 X100 与 Z200 的 Radio 0 功率配置文件
-
搜索 X100 的 Radio 0 功率配置文件
第一个查询是尝试性的,智能体希望找到一个包含比较的文档。由于搜索结果没有提供足够的 X100 信息,智能体随后增加了第二个专门针对 X100 的查询。
如果这个问题交给传统的 RAG 解决方案,它可能无法找到满意的答案,因为它会在第一次查询不成功时停止搜索。
结论
采用智能体模型可以实现基于知识的 LLM 解决方案的显著提升。这是因为模型具有智能能力,能够根据观察到的结果测试不同的策略,并优化其方法。
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。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。