一个全面、先进、公平且模块化的开源RAG框架

两个关键问题限制了 RAG 的发展：

• 新型 RAG 算法之间缺乏全面和公平的比较。

• 像 LlamaIndex 和 LangChain 这样的开源工具使用了高级抽象，这导致了透明度的缺失，并限制了开****发新算法和评估指标的能力。

RAGLAB：是一个模块化的开源库。RAGLAB 复现了 6 种先进的算法，并为研究 RAG 算法提供了一个全面的生态系统。利用 RAGLAB，对 10 个基准上的 6 种 RAG 算法进行了公平比较。有了 RAGLAB，研究人员可以高效地比较各种算法的性能并开发新算法。

不同 RAG 库和框架的比较。公平比较指的是在评估过程中对所有基本组件进行对齐，包括随机种子、生成器、检索器和指令。数据收集器指的是能够收集或生成训练和测试数据的能力，无论是通过从现有的原始数据集中抽样，还是通过使用LLM构建标记数据。

RAGLAB提供了一个模块化的架构，允许用户轻松地替换和扩展算法的各个组成部分，包括检索器（retriever）、生成器（generator）和指令（instruction）。

RAGLAB 框架的架构和组件

• 检索器（Retriever）：集成了基于BERT的模型，如Contriever和ColBERT，提供了统一的查询接口和客户端-服务器架构，以及检索缓存机制。

• 语料库（Corpus）：提供预处理的Wikipedia语料库，包括2018年和2023年的版本，以及对应的索引和嵌入。

• 生成器（Generator）：集成了Huggingface Transformers和VLLM，支持量化和低秩适应（LoRA）技术，允许使用大型模型。

• 指令实验室（Instruction Lab）：包含系统指令、任务指令和算法指令，允许用户自定义和组合指令。

• 训练器（Trainer）：集成了Accelerate和DeepSpeed库，支持模型的微调，包括LoRA和量化LoRA技术。

• 数据集和度量（Dataset and Metric）：收集了10个广泛使用的基准数据集，覆盖五种不同的任务类型，并提供了灵活的数据适配机制和多种评估指标

• 

RAGLAB进行了全面的实验，使用不同的基础模型作为生成器，同时保持其他基本组件的一致性，以促进不同高级RAG算法之间的公平比较。

一个使用 RAGLAB 来复现 Self-RAG 算法的脚本

分析了使用不同基础模型的RAG算法（Naive RAG、RRR 、ITER-RETGEN、Self-Ask、Active RAG、Self-RAG）在多个基准上的性能，发现Self-RAG算法在使用特定生成器时显著优于其他算法。

不同算法的指令

Naive RAG``# read process insruction``"### Instruction:\n {task_instrucion} \n## Input:\n\n{query}\n\n Now, based on the following passages``and your knowledge, please answer the question more succinctly and professionally. ### Background``Knowledge:\n {passages} \n\n### Response:\n"` `   ``RRR``# rewrite process instruction``"Provide a better search query for Wikipedia to answer the given question, end the query with '**'. \n\n``Question: Ezzard Charles was a world champion in which sport? \n\n Query: Ezzard Charles``champion** \n\n Question: What is the correct name of laughing gas? \n\n Query: laughing gas``name** \n\n Question: {query} \n\n Query: " # read process insruction``"### Instruction:\n {task_instrucion} \n## Input:\n\n{query}\n\n Now, based on the following passages``and your knowledge, please answer the question more succinctly and professionally. ### Background``Knowledge:\n {passages} \n\n### Response:\n"``   ``ITER-RETGEN``# read process insruction``"### Instruction:\n {task_instrucion} \n## Input:\n\n{query}\n\n Now, based on the following passages``and your knowledge, please answer the question more succinctly and professionally. ### Background``Knowledge:\n {passages} \n\n### Response:\n"` `   ``Self ASK``# follow up question instruction``"Question: When does monsoon season end in the state the area code 575 is located? Are follow up``questions needed here: Yes. Follow up: Which state is the area code 575 located in? Intermediate``answer: The area code 575 is located in New Mexico. Follow up: When does monsoon season end in``New Mexico? Intermediate answer: Monsoon season in New Mexico typically ends in mid-September. So the final answer is: mid-September. \n{query} Are follow up questions needed here:" # read process insruction``"### Instruction:\n {task_instrucion} \n## Input:\n\n{query}\n\n Now, based on the following passages``and your knowledge, please answer the question more succinctly and professionally. ### Background``Knowledge:\n {passages} \n\n### Response:\n"` `   ``Active RAG``# read process insruction``"### Instruction:\n {task_instrucion} \n## Input:\n\n{query}\n\n Now, based on the following passages``and your knowledge, please answer the question more succinctly and professionally. ### Background``Knowledge:\n {passages} \n\n### Response:\n"` `   ``Self-RAG``# read process instruction``"### Instruction:\n{task_instruction}\n\n## Input:\n\n{query}\n\n### Response:\n"

RAGLAB 系统用户评估问卷

RAGLAB: A Modular and Research-Oriented Unified Framework for Retrieval-Augmented Generation``https://arxiv.org/pdf/2408.11381``https://github.com/fate-ubw/RAGLab

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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】