摘要

文章阐述了RAG技术如何通过整合外部知识源来提升大型语言模型（LLM）的性能，使其能够产生更精确、上下文感知的回应，并减少幻觉现象。

自2023年以来，RAG已成为基于LLM的系统中最流行的架构，许多产品依赖此技术。然而，RAG在信息检索、上下文整合等方面存在问题，如信息提取不完整、分块策略不合适、索引结构不足优化、检索过程中的准确性和召回率不高、生成过程中的信息冗余和输出不一致等。

文章通过对比图表，展示了RAG的工作流程和存在的问题，并强调了优化RAG性能的重要性。最后，文章提到接下来的文章将提供解决这些问题的措施，以提高RAG的有效性。

作者观点

1. RAG技术能够提升LLM的性能，生成更准确和上下文相关的回答。
2. RAG面临的问题包括信息提取的不完整性、分块策略的一刀切、索引结构的低效、检索过程的低相关性和准确性、生成过程中的过度依赖增强信息等。
3. 优化RAG的关键在于改进每个步骤，包括编制索引、检索和生成，以提高整体性能。
4. 文章认为，通过采取措施改进RAG的缺陷，不仅能提升系统的生成效果，还能为未来的研究和应用提供新的方向。

检索增强生成（RAG）是通过整合外部知识源的附加信息来改进大型语言模型（LLM）的过程。这样，大型语言模型就能做出更精确、更能感知上下文的反应，同时还能减少幻觉。

自 2023 年以来，RAG 已成为基于 LLM 的系统中最流行的架构。许多产品的功能都严重依赖 RAG。因此，优化 RAG 的性能，使检索过程更快、结果更准确已成为一个至关重要的问题。

朴素RAG概览

图 1 展示了天真 RAG 的典型工作流程。

如图 1 所示，RAG 主要包括以下步骤：

• 索引：索引化过程是一项关键的离线初始步骤。
  • 从原始数据的清理和提取开始，将各种文件格式（如PDF、HTML和Word）转换为标准化的纯文本。
  • 为了适应语言模型的上下文约束，这些文本被分割成更小更易管理的块，即所谓的分块过程。这些块然后使用Embedding模型转换为向量表示。
  • 最后，创建索引将这些文本块及其向量嵌入作为键值对存储，从而实现高效可扩展的搜索能力。
• 检索：从外部知识源检索相关上下文。
  • 为实现这一目标，用户查询由Embedding模型处理，生成语义相关的嵌入。
  • 然后，在向量数据库上进行相似性搜索，以检索出TopK个最接近的数据对象。
• 生成：用户查询和检索到的上下文数据填充到提示模板中。最后，从检索步骤得到的增强提示输入到LLM中图。

朴素RAG中的使用问题

如图 2 所示，Naive RAG 在上述三个步骤中都存在问题（红色虚线框），有很大的优化空间。

索引过程问题（Index）

1. 信息提取不完整，无法有效处理PDF等非结构化文件中图片和表格中的有用信息。
2. 分块过程采用“一刀切”策略，而非根据不同文件类型特征选择最佳策略。导致每个块包含不完整的语义信息。此外，未考虑文本中现有的标题等重要细节。
3. 索引结构未经充分优化，导致检索功能效率低下。
4. 嵌入模型的语义表示能力较弱。

检索过程问题（Retrieval）

1. 检索到的上下文相关性不足，准确性低，容易收到其他文件片段的影响。
2. 低召回率阻碍了检索到所有相关段落的能力，从而影响了LLMs生成全面答案的能力。
3. 查询可能不准确或嵌入模型的语义表示能力较弱，导致无法检索到有价值的信息。
4. 检索算法受限，因为未结合不同类型的检索方法或算法，如关键词、语义和向量检索的结合。
5. 多个检索到的上下文包含类似信息时，会出现信息冗余，导致生成答案中内容重复。

生成过程问题（Generation）

1. 无法有效地将检索到的上下文与当前生成任务整合，导致输出不一致。
2. 在生成过程中过度依赖增强信息存在较高风险。这可能导致输出简单重复检索到的内容，而未提供有价值的信息。
3. LLM可能会生成不正确、不相关、有害或带有偏见的响应。

请注意，这些问题的原因可能是多方面的。

例如，如果向用户最终提供的响应包含不相关内容，可能不仅仅是LLM问题。根本原因可能是从PDF中不精确提取文档或嵌入模型无法准确捕捉语义等等。

结论

本文介绍了朴素RAG存在的问题。

本系列的下一部分将提供缓解这些问题并增强RAG效果的措施或解决方案。

此文为翻译，原文地址：Advanced RAG 01: Problems of Naive RAG