RAG流程优化(微调)的4个基本策略

RAG 全流程核心技术深度解析:1-工作原理+切片+召回+排序 本文深入解析了检索增强生成(RAG)技术的核心原理与应用。RAG通过将信息检索与大语言模型生成能力结合,有效解决大模型的"幻觉"问题、知识时效性不足和领域专业壁垒等关键问题。文章详细介绍了RAG的工作流程,包括准备阶段的分片(Chunking)和索引(Indexing)技术,以及回答阶段的召回、重排和生成过程。特别针对分片技术,对比分析了固定长度切分、递归字符切分、语义切分、结构切分和LLM智能切分五种方法的优缺点及适用场景。最后,文章还探讨了向量化(Embedding)的核心算法和主流 阅读详情

在本文中,我们将介绍使用私有数据优化检索增强生成(RAG)的四种策略,可以提升生成任务的质量和准确性。通过使用一些优化策略,可以有效提升检索增强生成系统的性能和输出质量,使其在实际应用中能够更好地满足需求。

RAG简单回顾

RAG主要有两个过程。第一个是“数据收集过程”,它收集来自不同来源的数据,将其转换为文本,将其分割成较小的、连贯的和语义相关的部分,并将结果存储在矢量数据库中。第二个是“推理过程”,它从用户查询开始,然后使用第一个过程的结果来识别相关的数据块,最后丰富模型的上下文以获得输出。

我们先总结RAG过程中的可以优化的关键点:

1、分块方法:优化块大小确保有意义和上下文相关的数据段。

2、嵌入模型:选择和微调模型以改进语义表示。

3、向量搜索方法:选择有效的相似度量和搜索参数。

4、提供模型的最后提示:制作有效提示以提高输出质量。

RAG的A/B测试

A/B测试可以比较每个组件具有不同配置的两个版本,确定哪个版本的性能更好。它分别运行两个版本,并根据预定义的指标测量它们的性能。那么我们如何衡量指标呢?什么指标?为了回答这个问题,我们使用了论文“RAGAS: Automated Evaluation of Retrieval Augmented Generation”种提出了三个关键指标:

真实性:检查答案中的信息是否与上下文给出的信息相匹配。如果答案所说的一切都可以直接从上下文中找到或推断出来,那么答案就是可靠的。

相关性:检查生成的答案是否完整,并直接回答所问的问题。信息是否正确无关紧要。例如,如果问题是“葡萄牙的首都是什么?”,答案是“里斯本是葡萄牙的首都”,这个答案是相关的,因为它直接回答了这个问题。如果答案是“里斯本是一个美丽的城市,有很多景点”,它可能是部分相关的,但包含了回答问题不直接需要的额外信息。这个指标确保了答案的重点和切中要害。

上下文相关性:检查上下文提供的信息在多大程度上有助于回答问题。这个指标可以确保只包括必要的和相关的细节,并删除任何额外的、不相关的、无助于直接回答问题的信息。该指标确保所提供的信息对回答问题有直接帮助,避免了不必要的细节。这个度量也被称为上下文精度。

除此以外,还添加了一个新指标:

上下文召回:这个指标衡量上下文和实际答案之间的一致性,与上下文相关性相同;但是,使用的不是生成的答案,而是实际的答案。一个基本真理是得到这个度规所必需的。为了评估这些策略的有效性,我根据ColdF的数据准备了一套10个带有实际答案的问题。

真实性和答案相关性是生成器度量标准,分别衡量幻觉和答案对问题的直接程度。

上下文相关性和上下文召回是检索度量,分别度量从向量数据库检索正确数据块和获得所有必要信息的能力。

下面开始使用LangChain来实现RAG流程,我们先安装库:

代码语言:javascript

 pip install ollama==0.2.1
 pip install chromadb==0.5.0
 pip install transformers==4.41.2
 pip install torch==2.3.1
 pip install langchain==0.2.0
 pip install ragas==0.1.9

下面是使用LangChain的代码片段:

代码语言:javascript

 # Import necessary libraries and modules
 from langchain.embeddings.base import Embeddings
 from transformers import BertModel, BertTokenizer, DPRQuestionEncoder, DPRQuestionEncoderTokenizer, RobertaModel, RobertaTokenizer
 from langchain.prompts import ChatPromptTemplate
 from langchain_text_splitters import MarkdownHeaderTextSplitter
 import requests
 from langchain_chroma import Chroma
 from langchain import hub
 from langchain_core.runnables import RunnablePassthrough
 from langchain_core.output_parsers import StrOutputParser
 from langchain_community.chat_models import ChatOllama
 from operator import itemgetter
 
 # Define a custom embedding class using the DPRQuestionEncoder
 class DPRQuestionEncoderEmbeddings(Embeddings):
     show_progress: bool = False
     """Whether to show a tqdm progress bar. Must have `tqdm` installed."""
     
     def __init__(self, model_name: str = 'facebook/dpr-question_encoder-single-nq-base'):
         # Initialize the tokenizer and model with the specified model name
         self.tokenizer = DPRQuestionEncoderTokenizer.from_pretrained(model_name)
         self.model = DPRQuestionEncoder.from_pretrained(model_name)
         
     def embed(self, texts):
         # Ensure texts is a list
         if isinstance(texts, str):
             texts = [texts]
         
         embeddings = []
         if self.show_progress:
             try:
                 from tqdm import tqdm
                 iter_ = tqdm(texts, desc="Embeddings")
             except ImportError:
                 logger.warning(
                     "Unable to show progress bar because tqdm could not be imported. "
                     "Please install with `pip install tqdm`."
                 )
                 iter_ = texts
         else:
             iter_ = texts
 
         for text in iter_:
             # Tokenize the input text
             inputs = self.tokenizer(text, return_tensors='pt')
             # Generate embeddings using the model
             outputs = self.model(**inputs)
             # Extract the embedding and convert it to a list
             embedding = outputs.pooler_output.detach().numpy()[0]
             embeddings.append(embedding.tolist())
         
         return embeddings
     
     def embed_documents(self, documents):
         return self.embed(documents)
     
     def embed_query(self, query):
         return self.embed([query])[0]
 
 # Define a template for generating prompts
 template = """
 ### CONTEXT
 {context}
 
 ### QUESTION
 Question: {question}
 
 ### INSTRUCTIONS
 Answer the user's QUESTION using the CONTEXT markdown text above.
 Provide short and concise answers.
 Base your answer solely on the facts from the CONTEXT.
 If the CONTEXT does not contain the necessary facts to answer the QUESTION, return 'NONE'.
 """
 
 # Create a ChatPromptTemplate instance using the template
 prompt = ChatPromptTemplate.from_template(template)
 
 # Fetch text data from a URL
 url = "https://raw.githubusercontent.com/cgrodrigues/rag-intro/main/coldf_secret_experiments.txt"
 response = requests.get(url)
 if response.status_code == 200:
     text = response.text
 else:
     raise Exception(f"Failed to fetch the file: {response.status_code}")
 
 # Define headers to split the markdown text
 headers_to_split_on = [
     ("#", "Header 1")
 ]
 
 # Create an instance of MarkdownHeaderTextSplitter with the specified headers
 markdown_splitter = MarkdownHeaderTextSplitter(
     headers_to_split_on, strip_headers=False
 )
 
 # Split the text using the markdown splitter
 docs_splits = markdown_splitter.split_text(text)
 
 # Initialize a chat model
 llm = ChatOllama(model="llama3")
 
 # Create a Chroma vector store from the documents using the custom embeddings
 vectorstore = Chroma.from_documents(documents=docs_splits, embedding=DPRQuestionEncoderEmbeddings())
 
 # Create a retriever from the vector store
 retriever = vectorstore.as_retriever()
 
 # Define a function to format documents for display
 def format_docs(docs):
     return "\n\n".join(doc.page_content for doc in docs)
 
 # Create a retrieval-augmented generation (RAG) chain
 rag_chain = (
     {"context": retriever | format_docs, "question": RunnablePassthrough()}
     | RunnablePassthrough.assign(context=itemgetter("context"))
     | {"answer": prompt | llm | StrOutputParser(), 
        "context": itemgetter("context")}
 )
 
 # Invoke the RAG chain with a question
 result = rag_chain.invoke("Who led the Experiment 1?")
 print(result)

使用下面代码来评估指标:

代码语言:javascript

 # Import necessary libraries and modules
 import pandas as pd
 from datasets import Dataset
 from ragas import evaluate
 from ragas.metrics import (
         context_precision,
         faithfulness,
         answer_relevancy,
         context_recall
 )
 from langchain_community.chat_models import ChatOllama
 
 def get_questions_answers_contexts(rag_chain):
     """ Read the list of questions and answers and return a 
         ragas dataset for evaluation """
     # URL of the file
     url = 'https://raw.githubusercontent.com/cgrodrigues/rag-intro/main/coldf_question_and_answer.psv'
 
     # Fetch the file from the URL
     response = requests.get(url)
     data = response.text
    
     # Split the data into lines
     lines = data.split('\n')
 
     # Split each line by the pipe symbol and create tuples
     rag_dataset = []
 
     for line in lines[1:10]: # Only 10 first questions
         if line.strip():  # Ensure the line is not empty
             question, reference_answer = line.split('|')
             result = rag_chain.invoke(question)
             generated_answer = result['answer']
             contexts = result['context']
 
             rag_dataset.append({
                 "question": question,
                 "answer": generated_answer, 
                 "contexts": [contexts], 
                 "ground_truth": reference_answer
             })
 
           
     rag_df = pd.DataFrame(rag_dataset)
     rag_eval_datset = Dataset.from_pandas(rag_df)
     
     # Return the lragas dataset
     return rag_eval_datset
 
 def get_metrics(rag_dataset):
     """ For a RAG Dataset calculate the metrics faithfulness, 
         answer_relevancy, context_precision and context_recall """
     # The list of metrics that we want to evaluate
     metrics = [
         faithfulness,
         answer_relevancy,
         context_precision,
         context_recall
     ]
         
     # We will use our local ollama with the LLaMA 3 model
     langchain_llm =  ChatOllama(model="llama3")
     langchain_embeddings = DPRQuestionEncoderEmbeddings('facebook/dpr-question_encoder-single-nq-base')
 
     # Return the metrics
     results = evaluate(rag_dataset, metrics=metrics, llm=langchain_llm, embeddings=langchain_embeddings)
     return results
 
 # Get the RAG dataset 
 rag_dataset = get_questions_answers_contexts(rag_chain)
 
 # Calculate the metrics
 results = get_metrics(rag_dataset)
 print(results)

如果你的代码正常运行了,应该返回下面这样的结果

代码语言:javascript

 {
   'faithfulness': 0.8611, 
   'answer_relevancy': 0.8653, 
   'context_precision': 0.7778, 
   'context_recall': 0.8889
 }

前两个指标与模型相关,要改进这些指标,有必要更改语言模型或为模型提供信息的提示;后两个指标与检索相关,要改进这些指标,有必要研究文档的存储、索引和选择方式。

下面我们开始进行改进

分块

分块方法确保数据被分割成最优的检索段。对不同块大小进行实验,以在太小(缺少上下文)和太大(检索系统冗余)之间找到平衡。在基线中,我们根据每个实验对文档进行分组;这意味着实验的某些部分可能会被稀释,而不会在最终的嵌入中表现出来。解决这种情况的一种方法是使用父文档检索器。这个方法不仅检索特定的相关文档片段或段落,还检索它们的父文档。这种方法确保了相关片段周围的上下文得到保存。下面的代码用于测试这种方法:

代码语言:javascript

 # Import necessary libraries and modules
 from langchain.retrievers import ParentDocumentRetriever
 from langchain.storage import InMemoryStore
 from langchain.text_splitter import RecursiveCharacterTextSplitter
 
 
 # Create the parent document retriever
 parent_document_retriever = ParentDocumentRetriever(
     vectorstore = Chroma(collection_name="parents", 
                          embedding_function=DPRQuestionEncoderEmbeddings('facebook/dpr-question_encoder-single-nq-base')),
     docstore = InMemoryStore(),
     child_splitter = RecursiveCharacterTextSplitter(chunk_size=200),
     parent_splitter = RecursiveCharacterTextSplitter(chunk_size=1500),
 )
 
 parent_document_retriever.add_documents(docs_splits)
 
 
 # Create a retrieval-augmented generation (RAG) chain
 rag_chain_pr = (
     {"context": parent_document_retriever | format_docs, "question": RunnablePassthrough()}
     | RunnablePassthrough.assign(context=itemgetter("context"))
     | {"answer": prompt | llm | StrOutputParser(), 
        "context": itemgetter("context")}
 )
 
 # Get the RAG dataset 
 rag_dataset = get_questions_answers_contexts(rag_chain_pr)
 
 # Calculate the metrics
 results = get_metrics(rag_dataset)
 print(results)

结果如下:

这种改变降低了性能,通过指标我们可以看到,上下文召回率下降表明检索过程不正确,上下文没有完整的信息。真实性和答案相关性度量的变化源于复杂的上下文。所以我们需要尝试其他的分块和检索方法

嵌入模型

嵌入模型将文本块转换为密集的向量表示。不同的模型可以在不同的主题上进行训练,选择一个正确的模型可以改进嵌入。嵌入方法的选择应考虑计算效率和嵌入质量之间的平衡。

这里比较了不同的嵌入模型,如Dense Passage Retrieval ,Sentence-BERT ,或Chroma的默认模型(“all-MiniLM-L6-v2”。每个模型都有自己的长处,在特定于领域的数据上对它们进行评估有助于确定哪个模型提供了最准确的语义表示。

我们定义一个新类“SentenceBertEncoderEmbeddings”。这个新类实现了模型Sentence-BERT模型。这个新类将取代我们之前的嵌入,“DPRQuestionEncoderEmbeddings”,

代码语言:javascript

 # Import necessary libraries and modules
 import pandas as pd
 from datasets import Dataset
 from ragas import evaluate
 from ragas.metrics import (
         context_precision,
         faithfulness,
         answer_relevancy,
         context_recall
 )
 from langchain_community.chat_models import ChatOllama
 from sentence_transformers import SentenceTransformer
 
 
 # Define a custom embedding class using the DPRQuestionEncoder
 class SentenceBertEncoderEmbeddings(Embeddings):
     show_progress: bool = False
     """Whether to show a tqdm progress bar. Must have `tqdm` installed."""
     
     def __init__(self, model_name: str = 'paraphrase-MiniLM-L6-v2'):
         # Initialize the tokenizer and model with the specified model name
         self.model = SentenceTransformer(model_name)
         
     def embed(self, texts):
         # Ensure texts is a list
         if isinstance(texts, str):
             texts = [texts]
         
         embeddings = []
         if self.show_progress:
             try:
                 from tqdm import tqdm
                 iter_ = tqdm(texts, desc="Embeddings")
             except ImportError:
                 logger.warning(
                     "Unable to show progress bar because tqdm could not be imported. "
                     "Please install with `pip install tqdm`."
                 )
                 iter_ = texts
         else:
             iter_ = texts
 
         for text in iter_:
             embeddings.append(self.model.encode(text).tolist())
         
         return embeddings
     
     def embed_documents(self, documents):
         return self.embed(documents)
     
     def embed_query(self, query):
         return self.embed([query])[0]
 
 
 # Create a Chroma vector store from the documents using the custom embeddings
 vectorstore = Chroma.from_documents(documents=docs_splits, embedding=SentenceBertEncoderEmbeddings())
 
 # Create a retriever from the vector store
 retriever = vectorstore.as_retriever()
 
 # Create a retrieval-augmented generation (RAG) chain
 rag_chain_ce = (
     {"context": retriever | format_docs, "question": RunnablePassthrough()}
     | RunnablePassthrough.assign(context=itemgetter("context"))
     | {"answer": prompt | llm | StrOutputParser(), 
        "context": itemgetter("context")})
 
 # Get the RAG dataset 
 rag_dataset = get_questions_answers_contexts(rag_chain_ce)
 
 # Calculate the metrics
 results = get_metrics(rag_dataset)
 print(results)

结果如下:

可以看到性能也下降了。这是因为DPR具有比Sentence-BERT更高的检索精度,使其更适合我们的情况,其中精确的文档检索是至关重要的。当切换到Sentence-BERT时,“真实性”和“答案相关性”指标的显著下降突出了为要求高检索精度的任务选择合适的嵌入模型的重要性。同时也说明不同类型的RAG任务可能需要特定领域的嵌入模型。

向量搜索方法

向量搜索方法基于相似性度量检索最相关的块。常用的方法包括欧几里得(L2)距离、余弦相似度等。改变这种搜索方法可以提高最终输出的质量。

代码如下:

代码语言:javascript

 # Import necessary libraries and modules
 import pandas as pd
 from datasets import Dataset
 from ragas import evaluate
 from ragas.metrics import (
         context_precision,
         faithfulness,
         answer_relevancy,
         context_recall
 )
 from langchain_community.chat_models import ChatOllama
 
 # Create a Chroma vector store from the documents 
 # using the custom embeddings and also changing to 
 # cosine similarity search
 vectorstore = Chroma.from_documents(collection_name="dist", 
                                     documents=docs_splits, 
                                     embedding=DPRQuestionEncoderEmbeddings(), 
                                     collection_metadata={"hnsw:space": "cosine"})
 
 # Create a retriever from the vector store
 retriever = vectorstore.as_retriever()
 
 # Create a retrieval-augmented generation (RAG) chain
 rag_chain_dist = (
     {"context": retriever | format_docs, "question": RunnablePassthrough()}
     | RunnablePassthrough.assign(context=itemgetter("context"))
     | {"answer": prompt | llm | StrOutputParser(), 
        "context": itemgetter("context")})
 
 # Get the RAG dataset 
 rag_dataset = get_questions_answers_contexts(rag_chain_dist)
 
 # Calculate the metrics
 results = get_metrics(rag_dataset)
 print(results)

可以看到“真实性”得到了提高,使用余弦相似度进行向量搜索增强了检索文档与查询的对齐,即使“上下文精度”降低了。总体上较高的“信度”和“上下文召回率”表明余弦相似度在这种情况下是一种更有效的向量搜索方法,支持向量搜索方法选择在优化检索性能方面的重要性。

输入模型的最后提示

最后的提示构造涉及到将检索到的数据集成到模型的查询中。提示符中的微小变化会显著影响结果,使其成为一个反复试验的过程。在提示中提供示例可以引导模型获得更准确和相关的输出,提示词的修改不涉及代码的改变,所以这里我们就不进行演示了

总结

优化检索增强生成(RAG是一个迭代过程,它在很大程度上取决于应用程序的特定数据和上下文。我们探讨了四种关键优化方向:细化分块方法、选择和微调嵌入模型、选择有效的向量搜索方法以及制作精确的提示。这些组件中的每一个都在提高RAG系统的性能方面起着至关重要的作用。

优化RAG的过程是需要持续的测试的,从失败中学习,以及做出明智的调整。需要采用迭代方法,才能定制出适合自己的AI解决方案,更有效地满足特定需求。还有最重要的一点成功的关键在于理解现有的数据,尝试不同的策略,并不断改进的流程。

​

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

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】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

检索增强生成(RAG) 优化策略篇 本文详细介绍了检索增强生成(RAG)技术的各个优化策略,包括文档块切分、文本嵌入模型、提示工程、大模型迭代、架构优化、索引优化、索引数据优化等多个方面。通过这些优化策略,RAG 技术在处理复杂查询和生成信息丰富回应方面展示了巨大的潜力。未来,RAG 技术将在垂直优化、横向扩展以及生态系统构建等方面继续发展,为多领域应用提供更低的训练成本和更优的性能表现。 阅读详情

相关推荐

RAG的完整流程是什么?如何解决检索噪声对生成的影响?

通过组合上述技术,可将噪声导致的错误生成减少50-80%。实际案例显示,在医疗问答系统中应用后,准确率从62%提升至89%。

qq_36929638的博客 553

一文读懂:大模型RAG(检索增强生成)

AI大模型作为人工智能领域的重要技术突破,正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口,掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程,需要从基础开始,逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源,包括:AI大模型全套学习路线图(从入门到实战)、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!

star_nwe的博客 1698

STK与Matlab连接报错?手把手教你解决mexConnect函数执行问题(附完整避坑指南)

本文针对STK与Matlab连接时常见的“mexConnect函数执行”报错,提供了完整的诊断与解决方案。文章深入剖析了错误根源在于路径冲突或文件损坏,并手把手指导用户通过定位STK连接器文件、正确配置Matlab路径(包括使用addpath命令)以及执行初始化测试三步走策略,彻底解决问题。同时附上版本兼容性检查、安装避坑指南及构建稳健工作流的建议,帮助用户建立可靠的STK-Matlab联合仿真环境。

yolo5detector的博客 473

大模型优化:RAG还是微调?

在这篇博文中,我们将深入探讨区分 RAG 的细微差别以及跨各个维度的微调,在我看来,这些细微差别对于确定特定任务的最佳技术至关重要。

探索人工智能领域 5866

ROST_CM6软件之词频分析、社会网络和语义网络分析、情感分析

简介 ROST CM 6是武汉大学沈阳教授研发编码的国内目前唯一的以辅助人文社会科学研究的大型免费社会计算平台。该软件可以实现微博分析、聊天分析、全网分析、网站分析、浏览分析、分词、词频统计、英文词频统计、流量分析、聚类分析等一系列文本分析。 社会网络和语义网络分析(S) 数据 注意,保存时编码要为ANSI 所以这里需要转换一下 准备自定义表与停词表 例如 同时,点击快速分析后,将会弹出网络图 对网络图进行设置 对布局进行设置 对节点、边进行设置 最终效果图 修改 情感分析

积一时之步,臻千里之遥程 9万+

NLP实践——利用自己的语料进行Mask Language Model预训练

#!/usr/bin/env python # coding: utf-8 # In[1]: import os import json import copy from tqdm.notebook import tqdm import torch from torch.optim import AdamW from torch.utils.data import DataLoader, Dataset from transformers import BertForMaskedLM, BertTo

weixin_44826203的博客 1万+

RAG流程优化(微调)的4个基本策略_rag 策略框架

最后的提示构造涉及到将检索到的数据集成到模型的查询中。提示符中的微小变化会显著影响结果,使其成为一个反复试验的过程。在提示中提供示例可以引导模型获得更准确和相关的输出,提示词的修改不涉及代码的改变,所以这里我们就不进行演示了优化检索增强生成(RAG是一个迭代过程,它在很大程度上取决于应用程序的特定数据和上下文。我们探讨了四种关键优化方向:细化分块方法、选择和微调嵌入模型、选择有效的向量搜索方法以及制作精确的提示。这些组件中的每一个都在提高RAG系统的性能方面起着至关重要的作用。

Z4400840的博客 1053

水很深的深度学习(四): 卷积神经网络CNN

深度学习-CNN,卷积神经网络的概念 上世纪60年代,Hubel等人通过对猫视觉皮层细胞的研究,提出了感受野这个概念,到80年代,Fukushima在感受野概念的基础之上提出了神经认知机的概念,可以看作是卷积神经网络的第一个实现网络,神经认知机将一个视觉模式分解成许多子模式(特征),然后进入分层递阶式相连的特征平面进行处理

专注大数据与人工智能技术分享,欢迎私信加群互相学习! 3625

【LLM大模型】RAG流程优化(微调)的4个基本策略

在本文中,我们将介绍使用私有数据优化检索增强生成(RAG)的四种策略,可以提升生成任务的质量和准确性。通过使用一些优化策略,可以有效提升检索增强生成系统的性能和输出质量,使其在实际应用中能够更好地满足需求。

2301_81940605的博客 1979

恒玄BES调试笔记-BES2500如何OTA升级ANC和通透参数

前期量产软件anc参数主要是通过anc工具写入flash中,或者anc total gain通过美格信设备校准写入,对于量产后如果想要更新anc参数,如通透模式参数,则无法更新。 这个时候需要通过OTA升级软件,把相关anc参数内置到软件中,从flash中读取total gain。 1、更新强弱降噪和通透参数,由于涉及到个人参数就不列出来了,主要是改动以下相关参数。 extern struct_anc_cfg * anc_coef_list_50p7k[ANC_COEF_...

leezs的博客 2226

Python爬虫技术应用:体育赛事直播数据抓取与分析

Web爬虫(Web Crawling)是一种通过模拟浏览器行为从网站获取数据的技术。发送请求:发送HTTP请求(通常是GET或POST请求)获取目标网页的HTML内容。解析网页:使用解析工具(如lxml)从HTML中提取出所需要的信息。存储数据:将抓取到的数据存储到数据库、文件或数据结构中,供后续分析和使用。数据分析与展示:使用数据分析工具(如PandasMatplotlib)对数据进行处理、清洗和可视化,生成有价值的报告和图表。Requests:用于发送静态网页的HTTP请求并获取响应。

2201_76125261的博客 1310
上一篇: RAG 技术真的“烂大街”了吗?
下一篇: 简单提升RAG的10种方法
AI大模型_学习君
博客等级 码龄3年 6138粉丝 551原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值