?RAG相關理論知識與經驗整理。

談到大模型在各垂直領域中的應用，一定離不開RAG，本系列開始分享一些RAG相關使用經驗，可以幫助大家在效果不理想的時候找到方向排查或者優化。

本系列以醫療領域為例，用面試題的形式講解RAG相關知識，開始RAG系列的分享~

本篇主要是理論知識與經驗；后續會結合最新的優化方法給出詳細的優化代碼，和實踐中衍生的思考。

下面是本篇的快捷目錄。

1. RAG思路

2. RAG中的prompt模板

3. 檢索架構設計

一、RAG思路 

這里有一張經典的圖：

具體步驟是：

• 加載文件 
• 讀取文本 
• 文本分割 
• 文本向量化 
• 問句向量化 
• 在文本向量中匹配出與問句向量最相似的top k個 
• 匹配出的文本作為上下文和問題一起添加到 prompt 中
• 提交給 LLM 生成回答

二、RAG中的prompt模板

已知信息：{context}   

根據上述已知信息，簡潔和專業的來回答用戶的問題。如果無法從中得到答案，請說 “根據已知信息無法回答該問題” 或 “沒有提供足夠的相關信息”，不允許在答案中添加編造成分，答案請使用中文。   

問題是：{question}

其中  {context}  就是檢索出來的文檔。

三、檢索架構設計

基于LLM的文檔對話架構分為兩部分，先檢索，后推理。重心在檢索（推薦系統），推理一般結合langchain交給LLM即可。

因此接下來主要是檢索架構設計內容。

1. 檢索要求

• 提高召回率
• 能減少無關信息
• 速度快

2. 檢索邏輯

拿到需要建立檢索庫的文本，將其組織成二級索引，第一級索引是 [關鍵信息]，第二級是 [原始文本]，二者一一映射。 [關鍵信息]用于加快檢索， [原始文本]用于返回給prompt得到結果。

向量檢索基于關鍵信息embeddig，參與相似度計算，檢索完成后基于關鍵信息與原始文本的映射，將原始文本內容作為  {context}   返回。

主要架構圖如下：

3. 切分與關鍵信息抽取

關鍵信息抽取前需要先對拿到的文檔進行切分。

其實文檔切分粒度比較難把控，粒度過小的話跨段落語義信息可能丟失，粒度過大噪聲又太多。因此在切分時主要是按語義切分。

因此拿到文檔先切分再抽取關鍵信息，可根據實際情況考慮是否進行文章、段落、句子更細致粒度的關鍵信息抽取。

下面具體來講講方法和經驗：

1）切分

• 基于NLP篇章分析（discourse parsing）工具?

提取出段落之間的主要關系，把所有包含主從關系的段落合并成一段。這樣對文章切分完之后保證每一段在說同一件事情。

• 基于BERT中NSP（next sentence prediction）的訓練任務?

基于NSP（next sentence prediction）任務。設置相似度閾值t，從前往后依次判斷相鄰兩個段落的相似度分數是否大于t，如果大于則合并，否則斷開。

2）關鍵信息抽取

• 直接存儲以標點切分的句子：只適用于向量庫足夠?。z索效率高）且query也比較類似的情況。
• 傳統NLP工具：成分句法分析（constituency parsing）可以提取核心部分（名詞短語、動詞短語……）；命名實體識別（NER）可以提取重要實體（貨幣名、人名、企業名……）。
• 生成關鍵詞模型：類似于ChatLaw中的keyLLM，，即：訓練一個生成關鍵詞的模型。在醫療領域中，這個方法是目前比較靠譜且能通用的方法。

參考資料

[1] GitHub - imClumsyPanda/Langchain-Chatchat-dev: Langchain-Chatchat 個人開發Repo(https://github.com/imClumsyPanda/Langchain-Chatchat-dev)

[2] 基于LLM+向量庫的文檔對話痛點及解決方案 - 知乎 (zhihu.com)(https://zhuanlan.zhihu.com/p/651179780)

[3] LLM+Embedding構建問答系統的局限性及優化方案 - 知乎 (zhihu.com)(https://zhuanlan.zhihu.com/p/641132245)

?

文轉載自公眾號瓦力算法學研所，作者：喜歡瓦力的卷卷

原文鏈接：??https://mp.weixin.qq.com/s/-YaFjsEPvQQVYYyjxc_DQw???