RAG 整个流程不复杂，集成三大部分包括文档解析并生成向量、根据查询问题查找语意相似的数据文档块、把查询问题和召回文档作为上下文的数据传给模型进行解答。大语言模型的应用开发和传统的开发方式区别很大，以前开发完成，只要逻辑正确，结果肯定是固定的，但是由于模型的特性，结果是基于概率计算的，加上自然语言的特殊性，近义词很多，每次回答都是正确的，但是返回的内容确不一样，可能是有些词改为了近义词，也可能描述的角度不一样了。
如果不加以控制，可能模型回答正确率就达不到要求，例如，如果模型正确率 60%，5 次回答中有 2 次是错的，这个用户就无法接受了。所以监控和评估对于 RAG 来讲就尤其重要，本文将介绍如何使用 LlamaIndex 进行 RAG 整体流程监控以及跟踪。
RAG监控
如何跟踪监控 RAG流程，监控的方式可以分为日志监控和可视化监控，日志监控可以提高开发阶段的效率，清晰的了解每一步 RAG 都做了什么，传的参数是什么，返回结果是什么。大语言模型的开发需要集成多方组件，而且大量使用提示词，如果链路很长，找问题是一个比较耗时的工作。下面将介绍如何通过日志方式和可视化的方式进行 RAG 的跟踪。
打开Log 日志
在 LlamaIndex 中通过以下代码打开 RAG 日志，运行 RAG 之后可以看到日志输出：
import logging
import sys
logging.basicConfig(stream=sys.stdout, level=logging.DEBUG)
logging.getLogger().addHandler(logging.StreamHandler(stream=sys.stdout))
Log 中可以看出文档导入，文档搜索以后后续模型调用情况
- 文档导入相关日志
- 搜索召回日志
- 大模型调用
可视化跟踪
通过 Log 日志监控在开发阶段可以快速定位问题，但在测试环境定位问题比较困难，在大量的文字日志中查找问题是一个比较困难费时的事，在应用开发通常会使用 ES 全家桶对日志进行采集以及分析。LlamaIndex 同样集成了很多日志监控工具，在这里我们使用Arize Phoenix进行监控，Arize Phoenix 具体安装方式可以参考这篇文章。
安装 LlamaIndex Arize Phoenix 依赖库
pip install llama-index-callbacks-arize-phoenix
发送监控数据到 arize-phoenix 服务端，
#首先启动服务
import phoenix as px
px.launch_app(host="0.0.0.0")
接入数据
set_global_handler("arize_phoenix", endpoint="http://10.91.3.116:6006/v1/traces")
LlamaIndexInstrumentor().instrument()
进入 UI 管理界面 http://10.91.3.116:6006/，可以看到列表暂时没有数据
启动 RAG，程序运行完成之后，当回到列表页时可以看到 RAG 的端到端的运行过程传入的数据以及返回结果。
文档分块的详情
总结
LlamaIndex 中可以集成多种监控工具，现在开源、闭源的 AI 监控工具很多，无论选择何种工具，核心功能就是监控数据流、提示词、文档块。在测试过程中，需要根据大模型的返回进行评估，并根据结果进一步调优模型、提示词、Embedding 模型等等。RAG 过程数据非常重要，是后续优化的基础。下一篇我们看一下如何对 RAG 的结果进行评估，并持续优化 RAG 各个组件。
