一篇报告,介绍了 15 种高级 RAG(检索增强生成,Retrieval-Augmented Generation)技术,可以从预检索、检索、后检索和生成四个环节来细分。
值得学习。
报告在评论区
15 种高级 RAG 技术
1.增加信息密度(Increase Information Density Using LLMs)
利用 LLMs(大语言模型)处理、清理和标记数据,以提高信息密度,从而减少生成模型所需的上下文窗口大小,降低成本并提高响应准确性。
就像我们在准备考试时,把一本教科书浓缩成一个简单的笔记,只保留最重要的知识点。这样复习起来更高效。
2.应用分层索引检索(Apply Hierarchical Index Retrieval)
利用文档摘要创建多层索引,优先检索与查询最相关的摘要部分,再深入到详细文档,提高检索效率。
比如说先快速浏览一本书的目录或摘要,找到相关章节,然后再仔细阅读。这比从头到尾读整本书要快得多。
3.改善检索对称性(Improve Retrieval Symmetry with Hypothetical Question Index)
生成每个文档的假设问答对,并将这些问答对作为检索的嵌入对象,从而提高查询与文档之间的语义相似度,减少检索时的上下文丢失。
这个比较容易理解,假如你在问问题前已经知道了一些可能的答案,直接找到相关的答案就容易多了,而不是去海量信息中寻找,类似 few-shot 的方式
4.使用 LLMs 去重信息(Deduplicate Information in Your Data Index Using LLMs)
通过 LLMs 对嵌入空间中的数据块进行去重,将重复的信息浓缩成更少的、更有用的数据块,提高响应的质量。
5.测试和优化分块策略(Test and Optimize Your Chunking Strategy)
根据具体情况测试不同的分块策略,通过调整数据块大小和重叠率等参数,找到最佳的嵌入方式,以提高检索效果。
不断的调整,优化,迭代,总能找到适合的,有点像深度学习的调参
6.优化搜索查询(Optimize Search Queries Using LLMs)
特别是针对对话系统,使用 LLMs 根据系统的搜索需求优化用户的查询语句,确保搜索系统能够更准确、高效地找到相关信息。
一个很懂搜索引擎的人帮你改写搜索关键词,这样你更容易找到你想要的结果。
7.使用假设文档嵌入修正查询与文档的非对称性(Fix Query-Document Asymmetry with Hypothetical Document Embeddings (HyDE))
在检索前,生成一个与用户查询相关的假设文档,并使用这个文档的嵌入来替代用户的查询进行语义搜索,以提高检索的准确性。
8.实施查询路由或 RAG 决策模式(Implement Query Routing or a RAG Decider Pattern)
在多数据源系统中,使用 LLMs 决定将查询路由到哪个数据库,或决定是否需要进行 RAG 检索,从而降低成本,提高系统效率。
根据目的地选择走哪条路,而不是每次都先走到中央车站再决定。
9.重新排名以优化搜索结果(Prioritize Search Results with Reranking)
利用重排模型优化检索结果的优先级,将最相关的文档排在最前,以提高 RAG 系统的表现。
这就像是当你在网上购物时,把最合适的商品排在搜索结果的最前面,避免翻很多页。
QAanything 证明重排是个很有必要的步骤。
10.使用上下文压缩优化搜索结果(Optimize Search Results with Contextual Prompt Compression)
通过 LLMs 对检索到的信息进行处理、压缩或重新格式化,只保留生成最终响应所需的关键信息。
要点提炼出来,避免说一堆废话。
能够降低成本,减少无关紧要的 token。
11. 使用纠正 RAG 对检索文档打分和过滤(Score and Filter Retrieved Documents with Corrective RAG)
使用一个经过训练的模型对 RAG 结果进行打分,将不相关或不准确的文档过滤掉,只保留有用的部分。
这就像是请一个专家帮你筛选资料,只留下真正有用的信息。而不是用所有召回的文档 summary。
12. 通过链式思维提示屏蔽噪音(Tune Out Noise with Chain-of-Thought Prompting)
利用链式思维提示(Chain-of-Thought Prompting)提高 LLM 在有噪音或无关信息情况下给出正确答案的概率。
13. 让系统具备自我反思能力(Make Your System Self-Reflective with Self-RAG)
通过训练模型生成反思标记,判断是否需要检索或修正生成的内容,从而提高生成内容的质量和准确性。
和人的思考方式意义昂,会先想一想有没有漏掉什么信息,或者之前的判断是不是有问题,然后再做出最终决定。
大模型都是在模拟人脑的行为。
14. 通过微调忽略无关上下文(Ignore Irrelevant Context Through Fine-Tuning)
通过微调模型,增强其在 RAG 中的表现,使其能够忽略无关的上下文,提高对相关信息的响应能力。
微调是一个非常必要的方式,针对某些垂直领域,给模型灌输对应的风格约束,领域知识。
15. 使用自然语言推理让 LLMs 更好地应对无关上下文(Use Natural Language Inference to Make LLMs Robust Against Irrelevant Context)
使用 NLI 模型过滤掉无关上下文,仅在使用问题和 LLM 生成的答案被分类为蕴含时,才使用检索到的上下文。
一些简单的结论
-
信息密度:使用 GPT-4 提取信息后,信息量显著减少,信息密度提高。例如,原始 HTML 有 55,000 个令牌,去除 CSS 和 HTML 标签后有 1,500 个令牌,使用 GPT-4 处理后进一步减少到 330 个令牌。
-
检索效率:层次索引检索和假设问题索引显著提高了检索效率和结果的相关性。
-
分块策略:1,000 字符分块与 200 字符重叠的策略表现最佳,得分为 4.34。
-
假设文档嵌入:使用假设文档嵌入进行语义搜索,提高了检索结果的准确性。
-
查询路由和 RAG 决策模式:识别出不需 RAG 查找的查询,避免了不必要的计算资源消耗。
-
重新排序和压缩:重新排序搜索结果和使用 LLM 压缩生成提示,提高了生成响应的质量和效率。
-
评分和过滤:使用 T5-Large 模型评分和过滤 RAG 结果,显著提高了响应的准确性。
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。