LLM-RAG项目细节-数据处理、分块..

rag项目细节

当模型没有某部分知识的时候，你将文档丢给大模型，告诉他了这些知识，然后大模型根据你的文档对你的问题进行回答

文档处理

未经处理的手机扫描pdf或者打印机扫描pdf则为不可编辑形式文档

在一些没有ocr能力或者ocr能力不强的rag框架下会直接0字符不会有任何内容

通过mineru转换为可编辑的markdown形式

上传mineru处理过的文件成功识别到字符数

切块

将这种段落格式的文档丢给dify来看看他会怎么切块

可以看到每个块的字符数特别少，块很多。这会导致召回的质量非常的低信息不完整

尝试召回，效果并不好

召回测试非常重要，针对五进行召回测试
这里如果切块没有切好，召回的信息不完整或者过多都会影响性能，目前我们是召回信息不完整。这里出问题rag项目没必要进行下去，我们正在做 通过问题去向量数据库里检索切块内容
文档ocr解决了dify可以识别编辑文字
大模型一次吃不下一个文档所以必须切块、切块提高了效率可以并发、好的切块每段信息会是完整切字符保持平均

对初始文本进行python数据处理
python批处理代码如下

/* by yours.tools - online tools website : yours.tools/zh/formatsql.html */
import os

def process_file(file_path):
    """
    读取文件，删除所有回车，然后删除####符号（保留内容），保存为原文件名+re
    """
    # 读取文件
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()

    # 删除所有回车换行符
    content = content.replace('\n', '').replace('\r', '')

    # 删除四个#符号（只删符号，保留后面的内容）
    content = content.replace('####', '')

    # 在###标题后面添加回车
    content = content.replace('###', '###').replace('###', '\n###')
    # 修正开头可能多出的换行
    if content.startswith('\n'):
        content = content[1:]

    # 保存到新文件
    output_file = file_path.rsplit('.', 1)[0] + 're.' + file_path.rsplit('.', 1)[1]
    with open(output_file, 'w', encoding='utf-8') as f:
        f.write(content)

    print(f"处理完成！输出文件：{output_file}")

def process_all_files_in_folder(folder_path):
    """
    遍历文件夹中的所有文件并处理
    """
    for filename in os.listdir(folder_path):
        file_path = os.path.join(folder_path, filename)
        # 只处理文件，跳过文件夹
        if os.path.isfile(file_path):
            print(f"正在处理: {filename}")
            process_file(file_path)

# 使用示例
process_all_files_in_folder('file-dir')  # 遍历file-dir文件夹中的所有文件

经过python处理后整个文档被拆成大标题的6段。再次上传dify并测试召回


被召回的段落信息完整

embeding

设置一下厂商的api-key
这个选择一个用中文训练的embeding模型就好
帮助中文转为数字向量这个过程
我这里选qwen3embeding

向量数据库

/* by yours.tools - online tools website : yours.tools/zh/formatsql.html */
为什么Dify选择Weaviate
RAG应用友好

非常适合构建检索增强生成（RAG）应用
支持文档切片、向量化、存储、检索的完整流程

开发体验好
安装部署相对简单，有Docker镜像
文档完善，社区活跃
提供直观的管理界面

扩展性强
支持水平扩展
可以处理大规模向量数据

这些特点使得Weaviate成为构建AI应用特别是知识库和问答系统的理想选择，这正是Dify这类LLM应用开发平台所需要的能力。

dify在用这个向量数据库，可以把这个容器删了换一下改源码换成qdrant。还是用dify的吧先把该项目演示完。不同向量数据库会有差别会对最后的rag效果产生影响

用户提问、小结

目前则是文档切块向量化丢进了数据库，用户提问题，问题会去数据库检索
检索出一个content里面为相似切块内容，用户提问带上系统提示词带上切块一起给大模型。大模型给出回复

dify未来产品客服系统搭建、rerank

system系统提示词

你是一个热情幽默活泼销售经理，你熟读知识库context里的内容，
并且根据context真实内容进行推销，必须是context里真实内容。
使用以下信息为你的内容，放在<context></context> XML标签内。
<context>
{{#context#}}
</context>
回答用户时：
如果你不知道，就直说你不知道。如果你在不确定的时候不知道，就寻求澄清。
避免提及你是从上下文中获取的信息。
并根据用户问题的语言来回答。

使用reranker粗排后精细排序
准确无误块大小合适，llm根据块和提问一起回答。效果不错

dify增加文档数量至20

问题测试

NeuroVision X3000 的硬件规格是什么？
NeuralGlow 的硬件规格是什么？
NeuroVision X3000 有脑波交互吗？
Vision X3000 有脑机接口吗？

topk参数

score阈值

两个参数的协同关系
python# 检索流程
similarities = [0.89, 0.697, 0.686, 0.609, 0.45, 0.32, 0.28]

# 第一步：topk控制数量（扩大/缩小搜索范围）
topk = 4  
candidates = [0.89, 0.697, 0.686, 0.609]  # 取前4个

# 第二步：score阈值过滤质量（过滤低分）
score_threshold = 0.65
final_results = [0.89, 0.697, 0.686]  # 0.609被过滤掉
实际工作机制
topk = 搜索广度
topk=1:  只要最匹配的，风险：信息不足
topk=10: 广撒网，风险：引入噪音
topk=4:  平衡点（你的选择）
score = 质量门槛
score≥0.8:  高质量，但可能数量不够
score≥0.6:  中等质量，平衡点
score≥0.4:  低门槛，可能有噪音
最佳实践组合
python# 保守策略：精准优先
topk = 3, score_threshold = 0.7

# 平衡策略：你现在用的
topk = 4, score_threshold = 0.65

# 激进策略：召回优先  
topk = 8, score_threshold = 0.5
针对你的情况
建议调整为：
pythontopk = 4           # 保持不变
score_threshold = 0.65  # 新增：过滤掉0.609那个块

元数据过滤（rag优化）

解决块数量过多引发的多跳问题（致命）以及检索效率不高的问题

块重写(rag优化)

无法命中

重写块（或者在数据处理那里进行批量操作或者块重叠）

提高命中块精确度
rag切块问题
假如有这样两个块
一个块为：产品介绍xxx这个产品多么多么好产品名称叫超级无敌旋风相机
另一个块：他的特性是拍照速度特别快而且无限胶卷，非常牛
那么用户问题 超级无敌旋风相机的特点是什么？
在向量数据库块非常多的情况下，大模型可能无法讲两个块的特点关联起来，我的发现对吗？

这是RAG系统中一个非常典型且重要的问题，被称为"信息分散问题"或"上下文割裂问题"。

向量检索时很可能发生：
查询"超级无敌旋风相机的特点"会优先匹配到块1（因为有确切的产品名称）
块2虽然有特性信息，但语义相似度可能不够高，无法被检索到
最终答案不完整或不准确

1.使用土方法重写块，粗暴改写超级无敌旋风相机的特性是拍照速度特别快而且无限胶卷，非常牛
简单直接，工作量大，有时需要python批处理，要注意语义流畅
2.构建知识图谱
3.优化元数据
4.块优化