論文解讀：迄今為止最好的 RAG 技術(shù)棧

發(fā)布于 2024-11-22 11:43

瀏覽

0收藏

概述

這篇文章深入探討了 Wang 等人在 2024 年的研究，旨在為構(gòu)建高效的檢索增強(qiáng)生成（RAG）系統(tǒng)提供最佳實(shí)踐建議。文章由 Towards AI 的聯(lián)合創(chuàng)始人兼 CTO Louis-Francois 撰寫，分析了 RAG 系統(tǒng)的核心組件與策略。

主要內(nèi)容摘要

查詢分類：通過(guò)分類任務(wù)決定是否需要進(jìn)行檢索，確保系統(tǒng)只在必要時(shí)檢索外部數(shù)據(jù)。
數(shù)據(jù)分塊：為數(shù)據(jù)選擇合適的塊大小至關(guān)重要，理想的塊大小在 256 至 512 個(gè) token 之間，有助于減少噪音和提高效率。
元數(shù)據(jù)與混合搜索：元數(shù)據(jù)（如標(biāo)題或關(guān)鍵詞）與混合搜索（結(jié)合語(yǔ)義搜索和傳統(tǒng)關(guān)鍵詞搜索 BM25）可顯著提升檢索精度。
嵌入模型選擇：挑選適合的嵌入模型，文章推薦使用像 FlagEmbedding 這樣性能與效率均衡的模型。
向量數(shù)據(jù)庫(kù)：使用像 Milvus 這樣的高性能向量數(shù)據(jù)庫(kù)來(lái)處理大量檢索請(qǐng)求，確保系統(tǒng)的長(zhǎng)期穩(wěn)定性。
查詢轉(zhuǎn)換：在檢索前進(jìn)行查詢轉(zhuǎn)換以提高準(zhǔn)確性，如通過(guò)查詢重寫或分解復(fù)雜問(wèn)題，改進(jìn)系統(tǒng)的檢索表現(xiàn)。
重新排序與文檔打包：在文檔檢索后，通過(guò) reranking 技術(shù)提升結(jié)果的相關(guān)性，并進(jìn)行文檔重新打包，以優(yōu)化信息呈現(xiàn)。
摘要：生成之前進(jìn)行文檔摘要，有助于去除冗余信息，降低生成成本。
微調(diào)生成模型：通過(guò)對(duì)生成模型進(jìn)行微調(diào)，提高模型處理復(fù)雜查詢和去除無(wú)關(guān)信息的能力。
多模態(tài)檢索：整合多模態(tài)技術(shù)處理圖像查詢，并基于類似內(nèi)容進(jìn)行檢索，進(jìn)一步提高系統(tǒng)的響應(yīng)準(zhǔn)確性。

意見

Wang 等人的研究被認(rèn)為是 RAG 系統(tǒng)的“洞察金礦”。
查詢分類對(duì)于確定何時(shí)需要檢索至關(guān)重要。
數(shù)據(jù)的最佳塊大小介于 256 到 512 個(gè)令牌之間，但可能因數(shù)據(jù)集而異。
元數(shù)據(jù)和混合搜索是高效檢索的首選，而不是 HyDE 等更復(fù)雜的方法。
建議使用 FlagEmbedding 的 LLM，因?yàn)樗谛阅芎痛笮≈g取得了平衡。
Monot5 是最受歡迎的重新排名模型，因?yàn)樗谛阅芎托手g取得了平衡。
建議以“相反”的順序重新打包文檔，以改進(jìn) LLM 的生成過(guò)程。
像 Recomp 這樣的摘要工具對(duì)于減少提示長(zhǎng)度和成本很有價(jià)值。
使用相關(guān)文檔和隨機(jī)文檔的混合來(lái)微調(diào)生成器有利于處理不相關(guān)的信息。
多模態(tài)檢索是處理文本和圖像的系統(tǒng)的一個(gè)重要考慮因素。
該論文承認(rèn)了未來(lái)研究的局限性和領(lǐng)域，例如獵犬和發(fā)電機(jī)的聯(lián)合訓(xùn)練。

探索每個(gè)組件

大家早上好！我是 Towards AI 的聯(lián)合創(chuàng)始人兼首席技術(shù)官 Louis-Francois，今天，我們正在深入研究可能是最好的檢索增強(qiáng)一代（RAG）技術(shù)棧——這要?dú)w功于 Wang 等人在 2024 年的一項(xiàng)出色研究。

這是構(gòu)建最佳 RAG 系統(tǒng)的見解金礦，我在這里為您分解它。

那么，是什么讓 RAG 系統(tǒng)真正成為頂級(jí)的系統(tǒng)呢？是組件，對(duì)吧？讓我們回顧一下最好的組件以及它們的工作原理，這樣您也可以使您的 RAG 系統(tǒng)成為頂級(jí)系統(tǒng)并獲得多模式獎(jiǎng)勵(lì)。

論文解讀：迄今為止最好的 RAG 技術(shù)棧-AI.x社區(qū) 圖片

查詢分類

讓我們從 Query Classification

Wang 等人創(chuàng)建了 15 個(gè)任務(wù)類別，確定查詢是否提供了足夠的信息或是否需要檢索。他們訓(xùn)練了一個(gè)二元分類器來(lái)分隔任務(wù)，在不需要檢索的地方標(biāo)記為“sufficient”，在需要檢索時(shí)標(biāo)記為“insufficient”。在此圖像中，黃色表示不需要，紅色表示去獲取一些文檔！

論文解讀：迄今為止最好的 RAG 技術(shù)棧-AI.x社區(qū)

分塊

接下來(lái)：分塊。這里的挑戰(zhàn)是為您的數(shù)據(jù)找到完美的數(shù)據(jù)塊大小。太長(zhǎng)了？您會(huì)增加不必要的噪音和成本。太短了？你錯(cuò)過(guò)了上下文。

論文解讀：迄今為止最好的 RAG 技術(shù)棧-AI.x社區(qū)

Wang 等人發(fā)現(xiàn) 256 到 512 個(gè)標(biāo)記之間的塊大小效果最好。但請(qǐng)記住，這因數(shù)據(jù)而異 - 因此請(qǐng)務(wù)必運(yùn)行您的評(píng)估！專業(yè)提示：使用 small2big（從小塊開始進(jìn)行搜索，然后移動(dòng)到較大的塊進(jìn)行生成），或嘗試滑動(dòng)窗口以重疊塊之間的標(biāo)記。

元數(shù)據(jù)和混合搜索

利用您的元數(shù)據(jù)！添加標(biāo)題、關(guān)鍵字甚至假設(shè)問(wèn)題等內(nèi)容。將其與 Hybrid Search

HyDE（生成偽文檔以增強(qiáng)檢索）很酷，可以帶來(lái)更好的結(jié)果，但效率非常低。現(xiàn)在，堅(jiān)持使用 Hybrid Search——它取得了更好的平衡，尤其是在原型設(shè)計(jì)方面。

嵌入模型

選擇正確的嵌入模型

你不想要打網(wǎng)球的足球鞋。

來(lái)自 FlagEmbedding 的 LLM 最適合這項(xiàng)研究——性能和大小的完美平衡。不太大，也不太小——恰到好處。

請(qǐng)注意，他們只測(cè)試了開源模型，因此 Cohere 和 OpenAI 被淘汰出局。否則，Cohere 可能是您最好的選擇。

矢量數(shù)據(jù)庫(kù)

論文解讀：迄今為止最好的 RAG 技術(shù)棧-AI.x社區(qū)

現(xiàn)在是數(shù)據(jù)庫(kù)。對(duì)于長(zhǎng)期使用，Milvus

查詢轉(zhuǎn)換

在檢索之前，您必須轉(zhuǎn)換這些用戶查詢！無(wú)論是通過(guò) 查詢重寫以使其清晰，還是通過(guò)查詢分解將復(fù)雜問(wèn)題分解為更小的問(wèn)題并檢索每個(gè)子問(wèn)題，甚至生成偽文檔（如 HyDE

重新排名

現(xiàn)在我們來(lái)談?wù)? Reranking

在這項(xiàng)研究中，monoT5 脫穎而出，成為平衡性能和效率的最佳選擇。它微調(diào) T5 模型，以根據(jù)文檔與查詢的相關(guān)性對(duì)文檔重新排序，確保最佳匹配優(yōu)先。 RankLLaMA 總體性能最好，但 TILDEv2

論文解讀：迄今為止最好的 RAG 技術(shù)棧-AI.x社區(qū)

文檔重新打包

重新排名后，您需要進(jìn)行一些 Document Repacking

綜述

然后，在調(diào)用 LLM，您希望使用 Summarization

使用 Recomp

微調(diào)生成器

論文解讀：迄今為止最好的 RAG 技術(shù)棧-AI.x社區(qū)

最后，您是否應(yīng)該微調(diào)用于生成的 LLM？絕對(duì)！使用相關(guān)文檔和隨機(jī)文檔的混合進(jìn)行微調(diào)可以提高生成器處理不相關(guān)信息的能力。它使模型更加健壯，并有助于它給出更好的整體響應(yīng)。論文中沒有提供確切的比率，但結(jié)果很明確：微調(diào)是值得的！不過(guò)，這顯然也取決于您的域。

多模態(tài)

論文解讀：迄今為止最好的 RAG 技術(shù)棧-AI.x社區(qū)

處理圖像？實(shí)施多模式檢索。對(duì)于文本到圖像，在數(shù)據(jù)庫(kù)中查詢相似圖像可以加快該過(guò)程。在圖像到文本中，匹配相似的圖像可檢索準(zhǔn)確的預(yù)存儲(chǔ)字幕。這一切都與接地氣有關(guān)——檢索真實(shí)的、經(jīng)過(guò)驗(yàn)證的信息。

結(jié)論

簡(jiǎn)而言之，Wang 等人的這篇論文為我們提供了一個(gè)構(gòu)建高效 RAG 系統(tǒng)的堅(jiān)實(shí)藍(lán)圖。但請(qǐng)記住，這只是一篇論文，并未涵蓋 RAG 管道的各個(gè)方面。例如，獵犬和發(fā)電機(jī)的聯(lián)合訓(xùn)練沒有被探索，這可能會(huì)釋放更多的潛力。由于成本原因，他們也沒有深入研究分塊技術(shù)，但這是一個(gè)值得探索的方向。

我強(qiáng)烈建議您查看完整的論文以獲取更多信息。我們最近還出版了《Building LLMs for Production》一書，其中充滿了 RAG 和微調(diào)見解、技巧和實(shí)際示例，可幫助您構(gòu)建和改進(jìn)基于 LLM 的系統(tǒng)。該鏈接也位于下面的實(shí)體書和電子書版本的描述中。

一如既往，感謝您的閱讀。如果您覺得此分析有幫助或有任何評(píng)論，請(qǐng)?jiān)谙旅娴脑u(píng)論中告訴我，我們下次見！

引用

用于生產(chǎn)的構(gòu)建LLMs：https://amzn.to/4bqYU9b

Wang et al.， 2024 （論文參考）：https://arxiv.org/abs/2407.01219

LLM（嵌入模型）：https://github.com/FlagOpen/FlagEmbedding/tree/master/FlagEmbedding/llm_embedder

Milvus （vector database）：https://milvus.io/

Liu et al.， 2024 （文檔重新包裝）： https://arxiv.org/abs/2307.03172

Recomp （摘要工具）：https://github.com/carriex/recomp

RagLlmFine Tuning人工智能嵌入

本文轉(zhuǎn)載自 ??AI大模型世界??，作者： Louis-Francois

標(biāo)簽

RAG