RAG（检索增强生成）面经（1）

1、RAG有哪几个步骤？

1.1、文本分块

第一个步骤是文本分块（chunking），这是一个重要的步骤，尤其在构建与处理文档的大型文本的时候。分块作为一种预处理技术，将长文档拆分成较小的文本块，这些文本块更适合于模型进行处理。

思考扩展

1、为什么要分块？

从以下四个方面来回答这个问题：

• 长文本处理的挑战：

  1.  语言模型（如BERT、GPT等）通常有输入长度限制。例如，GPT-3的最大输入长度在4096个token以内，如果文档过长，模型无法一次性处理所有内容。

  2. 文本信息在生成式模型中可能会被截断或被忽略，尤其当关键信息位于文档的后半部分时，单一长文本无法有效利用。

• 提高检索效果：

  1. 在RAG模型中，文档中的某些片段可能与用户查询高度相关，而其他片段则不相关。通过分块，检索模型可以更精确地找到最相关的文本块，而不是处理整个文档。

  2. 当一个长文档被分成多个块后，模型可以针对每个文本块单独计算相似度，更容易找到与查询最匹配的块，从而提升检索的准确性。

• 减少计算复杂度：

  1. 检索任务的计算复杂度与文本长度成正比。如果将文档分块，可以有效降低处理单个文本的计算复杂度，从而提高检索速度和生成效率。

  2. 分块后，模型可以并行处理多个文本块，这样整体的处理速度会更快。

• 增强模型的鲁棒性：

  1. 当文档被分块后，即使某些块的内容较为冗余或不相关，模型仍然能够依赖相关块生成高质量的回答。

  2. 分块还能避免单一文本块中包含过多无关信息，这有助于减少生成过程中不必要的信息干扰。

2、分块的策略有哪些？

• 按固定长度分块：

        最简单的分块方法是按固定的token数量或句子数量进行分割。例如，将文档按每200个token进行切分，确保每个块的长度在模型的处理能力范围之内。这种方法简单直接，但可能会导致语义信息的中断，例如，某些句子或段落在块之间被截断，影响模型的理解。

• 按自然语言结构分块：

         一种更智能的分块方式是基于文档的自然语言结构，比如按段落、章节或主题进行分块。这种方法可以保持每个块的语义完整性，从而提升检索和生成的效果。这种方法通常需要先进行文本的自然语言处理（NLP）分析，例如通过段落分割器、主题检测器等工具。

• 滑动窗口分块：

         为了缓解固定长度分块带来的信息丢失问题，另一种常见的方法是使用滑动窗口。这意味着每个块之间会有一定的重叠区域，这样即使一个块被截断，重要的信息也可能会出现在相邻的块中。滑动窗口可以确保关键内容不会因为分块策略的限制而遗漏，尤其在上下文关联性很强的文档中，这种方法非常有用。

1.2、嵌入向量

第二步嵌入向量是关键的一步，直接影响模型的检索和生成效果。具体来说，使用编码模型将每个文本块转化为嵌入向量，这些向量用于表示文本块的语义信息。

思考扩展

1、为什么使用编码模型？

       编码模型通过将文本块转化为向量，使得查询和文本块可以在向量空间中比较其相似性。编码模型的作用是捕捉文本的语义信息，并将其表示为高维的向量表示，这些表示可以被用于快速、精确的相似度计算。

2、详细说说嵌入向量得流程

• 文本分块后的预处理

        在将文档分成若干小块后，每个块需要被编码为向量，具体步骤如下：   

        1、Tokenization（分词）：

        文本块首先通过分词器（如BERT分词器）将每个块拆分为一个个的token（子词单元）。分词的目的是将自然语言文本转化为模型能够理解的输入格式。例如，句子 "This is a cat" 会被拆解为 ["This", "is", "a", "cat"]，并映射为对应的token ID（词汇表中的索引号）

         2、添加特殊token：

        通常还会在文本块的开始和结束位置加上特殊token，比如 [CLS] 表示开始，[SEP] 表示结束。这些token对BERT等模型非常重要，尤其是 [CLS] token 的嵌入向量往往用于表示整个文本块的语义。   

• 使用编码模型生成嵌入向量

        1、输入到编码模型：

        分词后的文本块被输入到预训练的编码模型中，常用的模型包括BERT、RoBERTa等。每个token都会经过一系列的注意力机制、前馈神经网络等复杂的变换，最终得到每个token的上下文表示。

        2、获取块的向量表示：

        编码模型的输出是一个多维向量表示，通常是对于每个token生成一个向量。比如对于输入句子 "This is a cat"，编码模型可能会输出形如 [768维度向量, 768维度向量, 768维度向量, 768维度向量] 这样的高维向量。

        在RAG的检索过程中，我们往往只使用 [CLS] token 的向量表示（这个向量是模型对整个文本块的语义总结），它可以表示整个文本块的语义。这个向量是一个固定长度的高维向量（如BERT的输出是768维）。

        3、归一化处理：

        为了便于向量之间的比较，通常会对向量进行归一化处理（例如将向量的长度标准化为1），这样可以使得不同向量之间的相似性计算更加稳定。

1.3、创建索引

        给文本块嵌入向量后创建索引的过程是实现高效检索的核心步骤。这个索引可以显著提高查询与文本块匹配的速度，使得在大规模语料库中快速检索与查询相关的内容成为可能。

思考扩展

1、为什么要创建索引

        文本块被嵌入到向量后，虽然可以通过向量相似度计算来找到最相关的块，但是在大规模数据集中（数百万甚至数十亿个文本块），逐个计算查询向量与每个文本块向量的相似性是非常耗时的。为了加速检索过程，必须对这些向量进行索引，从而在查询时高效地找到最相关的文本块。

        索引通过一些优化结构，比如倒排索引、树结构或近似最近邻搜索（ANN），可以在大规模数据中进行快速的查找。

2、创建索引得方法

        当你将文本块嵌入到向量后，可以选择使用向量数据库（如Milvus）或搜索引擎（如Elasticsearch with k-NN 插件）创建索引，以便于后续的相似性检索。可以去看看这两个工具中如何创建索引的。

        Milvus在处理超大规模数据集的嵌入和向量检索方面性能优异，而Elasticsearch则适合那些需要结合向量和全文检索的应用。

 1.4 创建Prompt

        当完成了文本块向量化并建立索引后，下一步就是基于用户的查询，通过查询检索得到的结果来构建一个针对大模型的Prompt（提示）。在基于检索的生成（Retrieval-Augmented Generation, RAG）系统中，这个Prompt会结合检索到的上下文，为大模型提供背景信息，从而生成更加相关和有针对性的响应。

思考扩展

1、怎么创建prompt呢？

• 用户查询向量化

        当用户输入查询时，需要将这个查询使用同一个编码模型转化为向量，以便在向量数据库中查找与之最相似的文本块。

• 基于用户查询向量进行向量检索

        使用向量数据库（如Milvus或Elasticsearch）进行相似性检索时，需要将用户查询的向量与数据库中的文本块向量进行相似度计算。通常使用余弦相似度或欧几里得距离等度量方法。

• 构建Prompt：用户查询 + 检索到的文本块

        接下来，将用户的原始查询和检索到的相关文本块组合在一起，生成给大模型的Prompt。Prompt的设计需要同时包含用户的查询和上下文信息，以便模型能够更好地理解问题的背景。例如如下

用户提问: 请解释什么是量子计算。

已检索到的相关信息:
1. 量子计算是一种基于量子力学原理的计算方法，其利用了量子叠加和量子纠缠来进行并行计算。
2. 量子比特（qubits）是量子计算的基本单元，可以同时表示0和1的状态。
3. 量子计算的潜力在于解决经典计算机无法有效处理的复杂问题，比如密码学、分子模拟和优化问题。

请详细解释量子计算的原理和潜在应用。

2、如何优化Prompt？

        避免含糊不清的语言：使用清晰的动词来指示模型的行为，例如“解释”、“列出”、“总结”等。

        精确表述期望的输出格式：明确指定模型应该输出什么样的内容。比如要求模型以列表形式回答，或以简短段落方式回答。

        筛选最相关的内容：仅选择与用户查询最相关的文本块，而不是直接将所有检索结果拼接。

        控制上下文长度：上下文过长可能导致模型“迷失方向”或产生不必要的噪声。通过筛选减少无关或冗余的内容，有助于提升回答的质量和精确性。

        摘要检索到的文本：如果检索到的文本过长，你可以先对其进行摘要，将核心信息提取出来。

        剔除无关或重复内容：剔除那些对用户问题帮助不大的信息，或者去掉重复的部分。

 2、在实际项目中用过哪些优化的技巧？

2.1、改进文本分块策略：

• 块的大小控制：块太大可能导致不相关内容混入，块太小则可能无法提供足够上下文。一个常见的策略是每块包含 100-300 个字（或者 3-5 个句子），以确保上下文信息完整。
• 基于语义的分割：不要简单地根据固定长度进行分块，使用语义分割技术（如自然段落或基于主题模型的分割）可以使每个块在语义上更加独立和完整。

2.2、改进向量化编码器

• 使用预训练模型：选择适合你的领域的预训练模型（如BERT, RoBERTa，或者领域特定的模型如LegalBERT, BioBERT等），这些模型能够在特定领域更好地捕捉语义信息。
• 微调（Fine-tuning）编码器：可以通过特定领域的训练数据对预训练模型进行微调，增强编码器对该领域语义的理解。微调的方式可以包括用领域数据进行有监督学习或对比学习。
• 使用多种编码器：在某些复杂场景中，可以采用多个编码器分别编码不同的文本部分，例如长文本的标题、正文和结论部分分别编码，然后进行加权组合，提高召回的多样性和准确性

2.3、采用多路召回

        多路召回是一种组合式召回策略，采用多种不同的召回方式或算法，分别从不同角度去召回相关的文本或文档。这样可以弥补单一召回方式的不足，提升召回的全面性和覆盖率。以下是介绍几种常见的召回方式：

• 稀疏召回：基于关键词的稀疏特征进行匹配，适合精确查询，常用于 BM25 等传统检索方式。
• 语义召回：依赖于深度学习模型，通过向量相似度匹配语义相似的文本，适合处理模糊查询。
• 字面召回：则完全基于字面的匹配，适合对特定词汇、术语或条文进行精确匹配的场景。        

3、RAG一般怎么做评估效果？

RAG做效果评估主要是针对检索和生成两个环节

3.1、检索环节

        在RAG模型（或其他检索-生成模型）的评估中，Mean Reciprocal Rank (MRR)、前k项命中率（Hits Rate）和NDCG（Normalized Discounted Cumulative Gain）是三种常用的评估指标，它们主要用于衡量检索阶段的表现。让我们逐一详细介绍这些指标，并结合实例解释。

1. Mean Reciprocal Rank (MRR)

MRR 衡量的是检索系统返回的第一个相关结果的位置，它的计算方式是找到第一个相关结果的排名，取其倒数，然后对所有查询的倒数进行平均。

举例：

假设有3个查询及其检索结果：

• 查询1：第1个结果是相关的，排名为1。
• 查询2：第3个结果是相关的，排名为3。
• 查询3：第2个结果是相关的，排名为2。

那么对应的MRR计算如下：

 因此，MRR=0.611，表示系统的前几个结果中有比较高概率能返回相关文档。

2. 前k项命中率（Hits Rate）

Hits Rate@k 衡量的是在返回的前k个结果中是否存在至少一个相关结果。如果有，计为1，否则计为0。然后对所有查询的命中率取平均。

举例：

假设有3个查询，结果如下：

• 查询1：前5个结果中有相关文档，命中。
• 查询2：前5个结果中没有相关文档，未命中。
• 查询3：前5个结果中有相关文档，命中。

那么，HitsRate@5的计算如下：

 因此，HitsRate@5 = 0.666，表示系统在返回的前5个结果中有较高概率能找到相关文档。

3. NDCG（Normalized Discounted Cumulative Gain）

NDCG 衡量的是检索结果的相关性和排名顺序，考虑到越早出现的相关结果对用户越有用。它通过归一化的**累积增益（Cumulative Gain, CG）**来衡量系统在不同位置返回相关结果的有效性。

举例：

假设某次查询的前3个结果的相关性分别为3、2和1，理想情况下的相关性也是3、2、1，那么我们计算DCG和NDCG。

在这个例子中，NDCG@3 = 1，表示系统检索结果的排序是最优的。

总结

• MRR 更关注第一个相关结果的位置，适合需要快速找到答案的场景。
• Hits Rate 则关注前k个返回结果中是否包含相关文档，适合衡量系统在给定返回数量内找到相关文档的能力。
• NDCG 则进一步关注结果的排序和相关性，是衡量整体检索质量的综合性指标。

3.2、生成环节

关注待续........

原文地址：https://blog.csdn.net/m0_56569131/article/details/142961163

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！