检索增强生成(RAG:Retrieval-Augmented Generation)技术可追溯到2020年Facebook发表的一篇论文:“Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”。它结合了信息检索和生成模型技术,通过引入外部知识库信息,解决知识密集型NLP任务的效果:问答、文本摘要等。
大模型RAG之启蒙
大型语言模型(LLMs)虽然展现出了令人印象深刻的能力,但它们在处理特定领域或知识密集型任务时面临诸如产生幻觉(hallucination)、知识过时以及推理过程不透明和不可追溯等挑战。
RAG技术通过整合外部数据库中的知识,作为解决这些问题的有前途的方案。它增强了生成的准确性和可信度,特别是对于知识密集型任务,并允许持续的知识更新和整合特定领域的信息。
大模型RAG核心浓缩成两个核心阶段:
检索阶段:模型首先从外部知识库中检索与输入文本相关的信息。这个知识库可以是对大规模文本数据集进行索引处理后形成的数据库。
生成阶段:将检索到的信息作为输入,到一个生成模型中(如Llama3)。这个生成模型会基于输入信息,生成最终的响应或文本。
高级RAG之36技
从架构、模块、技术三个维度讲解了整个大模型高级RAG企业落地全过程之技术要点,一个框架、10个模块、36种技术!对一些复杂核心模块:分块、向量、重排也进行了系统性总结和概况!
Query理解(Query NLU):使用LLM作为基础引擎来重写用户Query以提高检索质量,涉及Query意图识别、消歧、分解、抽象等,总计7种技术。
Query路由(Query Routing):查询路由是LLM支持的决策步骤,根据给定的用户查询下一步该做什么,总计1种技术。
索引(Indexing):是当前RAG中比较核心的模块,包括文档解析(5种工具)、文档切块(5类)、嵌入模型(6类)、索引类型(3类)等内容,总计8种技术。
Query检索(Query Retrieval):重点关注除典型RAG的向量检索之外的图谱与关系数据库检索(NL2SQL),总计3种技术。
重排(Rerank):来自不同检索策略的结果往往需要重排对齐,包括重排器类型(5种),自训练领域重排器等,总计3种技术。
生成(Generation):实际企业落地会遇到生成重复、幻觉、通顺、美化、溯源等问题,涉及到RLHF、偏好打分器、溯源SFT、Self-RAG等等,总计7种技术。
评估与框架:RAG需要有全链路的评价体系,作为RAG企业上线与迭代的依据,总计3种技术。
RAG新技术:RAG未来将走向哪里?探讨未来的一些可能得方向,以及如何实现,总计3种技术。
一张全景框架图,梳理了10个模块,36种技术(原版图,可编辑)
终章之Agentic RAG
最终,大模型RAG问答终章是Agentic RAG!
向Lv2-智能体提出一个问题。``while (Lv2-智能体无法根据其记忆回答问题) {` `Lv2-智能体提出一个新的子问题待解答。` `Lv2-智能体向Lv1-RAG提问这个子问题。` `将Lv1-RAG的回应添加到Lv2-智能体的记忆中。``}``Lv2-智能体提供原始问题的最终答案。
例如,Query:“与第五交响曲创作于同一世纪的交通工具是什么?”,Agent分两个子问题来解决:
-
第一个子问题:“第五交响曲是在哪个世纪创作的?”
-
第二个子问题:“19世纪发明的交通工具”
RAG全景图专栏学习方式
PaperAgent团队打造的RAG全景图专栏囊括70+张图,总计5万余字,专栏之配套包括专业技术交流群、RAG流程与架构图原稿(可自由编辑)等等,专栏之详情咨询:【留言区或私信】 ,备注:RAG专栏
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。