“ RAG的本质就是快速和准确的召回文档，但由于各种原因会导致其召回质量不尽人意，因此我们需要从多个方面来优化其召回结果。”
虽然说现在大模型的主流应用方向是智能体——Agent；但也不能否则RAG在其中扮演的重大作用，因此RAG也是企业应用场景中经常用到的技术。但RAG虽然看起来很简单，但事实上存在很多问题和坑；还是那句话想把RAG做出来很简单，但想把RAG做好就很难。
以作者自身遇到的问题为例，一起讨论一下RAG各个环节中存在的问题和优化方案。
从技术的角度来说，RAG主要存在三个阶段，文档处理，数据召回，增强生成；其中这三个阶段最后一个阶段最简单，就是把召回的内容丢给模型，让模型根据这些内容进行处理；所以，RAG的难点主要在前两步，文档处理和数据召回，数据召回的质量直接影响到生成质量。
RAG中场景的问题和解决方案
文档处理
所谓的文档处理本质上就是把外部文档处理成向量格式然后通过相似度计算的方式进行语义召回。
当然，RAG并没有限制必须把文档处理成向量格式，也没限制必须要进行相似度召回；RAG的目的是快速准确的找到和问题相关的内容，因此使用任何召回方式都可以，包括传统的字符匹配和现在的语义查询。只不过对于非格式化数据，以及基于自然语言对话的展示场景，使用相似度语义检索更符合业务场景。
文档处理之所以是一个难点，就在于其复杂的文档格式；如txt，word，pdf，markdown，excel，csv等等很多种格式，并且这些格式的数据没有一个统一的规范，虽然excel和csv是格式化数据，但在不同的业务场景中可能需要不同的处理，比如有些场景中只需要按列处理即可，而有些场景中可能需要解析表结构，然后拼接成markdown或合并部分列数据。
因此，文档处理中文档的类型，复杂的内容格式，对格式化的不同要求，以及文档的管理都是难点；毕竟如果文档处理的不好，会直接影响到第二步数据的召回质量。
所以，文档处理的难点其中之一，就是怎么根据不同的业务场景去规范文档的处理流程及格式；其次，就是类似于word，pdf这种复杂的文档类型，由于其没有固定的格式，以及其同时支持多种不同模态的数据(文字，图片，表格，架构图等等)；导致其处理起来特别麻烦，很容易丢失内容原本的意义；如架构图和设计图等，很难在向量化之后还保持其原本的意义。
当然，虽然现在使用多模态模型能够从一定程度上解决这个问题，但从成本和复杂度来说，好像又不是很值得。但基于orc等技术处理的复杂文档会丢失大量的有用信息。
向量数据的保存
其次是向量化数据的保存，之前的数据大多使用关系型数据库进行保存，并且其表结构和数据可以随时调整和修改；但向量化数据库由于其特殊性，导致其并不能像传统数据库那样随便进行编辑和修改；因此，刚开始设计的向量数据库随着业务的发展很难适应新的业务变化，但其调整起来又特别复杂，特别是随着业务数据的增多，导致其维护其它特别麻烦。
数据召回
数据召回的目的是根据用户问题，从大量的知识库中找到与用户相似度最高的文档内容，然后交由模型进行增强生成；但是面对语义召回这种本身就不确定的召回方式会出现两种情况，一种是无法召回有效数据，另一种是召回大量不相关数据；而不论哪一种都会对下一步的增强检索造成严重的影响，毕竟模型无法判断你提供的文档质量。
因此，面对这种情况需要从多个维度来提升召回质量，一是在召回侧，通过完善用户问题，提出子问题，假设性文档召回(hyDE)，标量召回等。其次，就是在文档处理端，对文档进行提炼总结，增加多个维度的相似度计算。
增强生成
虽然说增强生成比较简单，但其实也挺重要的；在上一步的数据召回时，有时为了提高数据的召回质量会添加很多无关字段，因此在正式把召回数据提交给模型之前，我们需要对文档数据进行清洗和格式化处理；比如删除一些无关字段，把文档转换成模型更好处理的格式等等。而不是直接把召回内容一股脑的全部丢给模型。
当然，以上只是传统的RAG处理流程，目前随着智能体技术的发展，智能体技术也逐渐被应用到RAG中；原理就是借助智能体的强大的工具使用能力，以及自主决策能力，让RAG系统能够动态获取外部数据的能力，而不是只是人工处理好的死数据，比如说使用浏览器进行网络搜索。
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 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
扫一扫
2258
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
