开发四大痛点及处置打算 RAG

1、痛点1：常识缺失

常识库缺乏必要的高低文消息，造成 RAG 系统在不可找到确切答案时，或者会提供模棱两可的失误消息，而不是间接标明其无知。这种状况下，用户或者会接纳到误导性的消息，从而感到丧气。针对这一疑问，有以下两种处置打算：

处置打算一：优化数据品质

“渣滓输入，渣滓输入。” 若源数据品质不佳，比如：存在相互矛盾的消息，即使是再完美的 RAG 流程也不可从劣质数据中提炼出有价值的常识。以下提出的处置打算不只能处置这一难题，还能应答本文中提到的其余疑问。高品质的数据是确保 RAG 流程顺畅运转的关键。

以下是一些经常出现的数据优化战略：

1. 肃清噪音和有关消息：包括移除不凡字符、停用词（比如：“the”和“a”等经常出现词汇）以及 HTML 标签。

2. 识别并批改失误：触及拼写失误、打字失误和语法失误。拼写审核工具和言语模型等资源对此很有协助。

3. 去除反双数据：消弭可无能扰检索环节的重复或相似记载。

处置打算二：优化提醒词设计

由于常识库消息无余，系统或者会提供看似正当却失误的答案。在这种状况下，优化提醒词可以清楚优化系统体现。经过经常使用“若你不确定答案，请标明你不知道”等提醒词，可以疏导大模型抵赖其局限，并更明晰地表白不确定性。只管这不能确保答案的相对正确性，但在数据优化之后，设计失当的提醒词是提高系统透明度的有效手腕之一。

2、痛点2：更关系的常识没有检索进去

在初步检索阶段常识未能被检索进去。关键的文档或者没有在检索组件给出的初步结果中，造成正确答案被遗漏，大模型因此不可提供准确的照应。钻研指出：“疑问的答案其实就藏在文档里，只是由于它排名不够高，所以没有被出现给用户。”针对这一疑问，有以下两种处置打算：

处置打算一：调整 chunk_size 和 similarity_top_k 超参数

在 RAG 模型中，chunk_size 和 similarity_top_k 是控制数据检索效率和准确性的两个关键参数。对这些参数的调整会影响到计算效率和消息检索品质之间的平衡。

处置打算二：Rerank 重排序

在将检索结果传递给大言语模型（LLM）之前对其启动从新排序，可以清楚增强 RAG 系统的性能。LlamaIndex 的笔记提醒了有无从新排序的差异：

import osfrom llama _ index.postprocessor.cohere _ rerank import CohereRerankapi _ key = os.environ["COHERE _ API _ KEY"]cohere _ rerank = CohereRerank ( api _ key=api _ key , top _ n=2 ) # return top 2 nodes from rerankerquery _ engine = index.as _ query _ engine(similarity _ top _ k=10 ,# we can set a high top _ k here to ensure maximum relevant retrievalnode _ postprocessors= [ cohere _ rerank ],# pass the reranker to node _ postprocessors)response = query _ engine.query("What did Sam Altman do in this essay?" ,)

3、痛点3：格局失误

输入格局不正确。当大言语模型（LLM）未能遵照以特定格局（比如：表格或列表）提敞开息的指令时，咱们提出了以下四种处置打算：

处置打算一：优化提醒词设计

为了改善提醒词并处置这一疑问，可以采取以下几种战略：

处置打算二：输入解析方法

输入解析可以用于以下目的，以确保取得希冀的输入格局：

以下是一个经常使用 LangChain 输入解析模块的示例代码片段，该模块可在LlamaIndex 中运行。

from llama _ index.core import VectorStoreIndex , SimpleDirectoryReaderfrom llama _ index.core.output _ parsers import LangchainOutputParserfrom llama _ index.llms.openai import OpenAIfrom langchain.output _ parsers import StructuredOutputParser , ResponseSchema# load documents , build indexdocuments = SimpleDirectoryReader(" .. /paul _ graham _ essay/data").load _>

处置打算三：Pydantic 程序

Pydantic 程序是一个多配置的框架，它能够将输入的字符串转换成结构化的 Pydantic 对象。LlamaIndex 提供了几种不同类型的 Pydantic 程序：

LLM 文本补全 Pydantic 程序：这类程序担任处置输入的文本，并将其转换成用户自定义的结构化对象，这个环节联合了文本补全 API 和输入解析。

LLM 函数调用 Pydantic 程序：这些程序经过经常使用 LLM 函数调用 API 来处置输入文本，并将其转换成用户指定的结构化对象。

预制 Pydantic 程序：这些程序设计用于将输入文本转换成预约义的结构化对象。

以下是一个经常使用 OpenAI 的 Pydantic 程序的示例代码片段：

from pydantic import BaseModelfrom typing import Listfrom llama _ index.program.openai import OpenAIPydanticProgram# Define output schema ( without docstring )class Song(BaseModel) :title : strlength _ seconds : intclass Album(BaseModel) :name : strartist : strsongs : List [ Song ] # Define openai pydantic programprompt _ template _ str ="""\Generate an example album , with an artist and a list of songs.\Using the movie { movie _ name } as inspiration.\"""program = OpenAIPydanticProgram.from _ defaults(output _ cls=Album , prompt _ template _ str=prompt _ template _ str , verbose= True)# Run program to get structured outputoutput = program(movie _ name="The Shining" , description="Data model for an album.")

处置打算四：OpenAI JSON形式

经过OpenAI的 JSON 形式，咱们可以将`response_format`设置为`{ "type": "json_object" }`，从而激活照应的 JSON 形式。当启用 JSON 形式后，大模型将被限度仅生成可以解析为有效 JSON 对象的字符串。JSON 形式确保了输入格局的强迫性，但它并不允许依据特定形式启动验证。

4、痛点4：输入不完整

回答缺失完整性。只管局部回答没有失误，但它们并未蕴含一切必要的细节，即使这些消息在高低文中是可失掉的。比如：当有人提问：“文档A、B和C中探讨的重要议题是什么？”为了确保回答的完整性，独自对每份文档启动查问或者更为有效。

处置打算一：查问变换

在最后的 RAG 方法中，比拟类型的疑问体现尤为不佳。优化 RAG 推理才干的一个有效方法是引入查问了解层——在实践将查问向量存入存储之行启动查问变换。以下是四种不同的查问变换方法：

1. 路由：保管原始查问，并识别出与之关系的适合工具子集。随后，将这些工具指定为适合的选项。

2. 查问重写：保管选定的工具，但以不同形式从新构建查问，以便在同一工具集中运行。

3. 子疑问合成：将查问拆分为几个更小的疑问，每个疑问针对不同的工具，由其元数据来选择。

4. ReAct Agent 工具选用：基于原始查问，确定经常使用的工具，并制订在该工具上运转的特定查问。

请参考以下示例代码片段，了解如何运行 HyDE（假定文档嵌入）这一查问重写技术。给定一个人造言语查问，首先生成一个假定文档/答案。接着，经常使用这个假定文档启动嵌入搜查，而不是经常使用原始查问。

# load documents , build indexdocuments = SimpleDirectoryReader(" .. /paul _ graham _ essay/data").load _>

原文链接：​ ​​ ​