构建“生产就绪”的企业级RAG应用的6大优化考量【下】

  • AI大模型应用实践

    2024-07-04 08:30:00
  • 数据库开发技术
  • 原创

Hi


点击上方蓝字关注我们


本文将接着前文（构建“生产就绪”的企业级RAG应用的6大优化考量【上】｜深度探讨）继续探讨企业RAG应用常见的一些优化处理。

多模态文档处理

企业中有很多的知识并不总是简单的文字形态，很多是以半结构化与非结构化文档的形式存在，最常见的就是图、文、表混排的PDF文档。针对复杂PDF文档的解析、分割与向量化是常见的一种复杂知识处理需求，且在实际应用中达到的效果往往不尽如人意（有少量原因是一些文档自身排版与格式的过度随意与不规范）。
    处理复杂多模态文档一般需要借助到第三方的PDF解析工具、多模态大模型、关联检索等技术。整体上的思路如下：

以最常见的复杂PDF处理为例：

1. 借助解析工具从PDF中分类提取Text、Table、Image不同形态内容；提取的Table内容一般用Markdown文本等表示，Image则提取成本地或网络文件。
2. 对不同形态的提取内容采用不同的索引与检索方法处理：
  • 【文本】：按照普通文本知识相同的方法做向量嵌入与检索。
  • 【表格】：直接对Table的文本内容做嵌入通常检索效果欠佳，可以借助大模型（LLM）生成表格内容描述与摘要用于嵌入与检索（比如下图）。这有利于提高检索精准度及LLM对表格内容的理解。在检索阶段，需要关联检索出原始的Table内容用于后续生成。
  • 【图片】：借助多模态视觉大模型比如qwen-vl，gpt-4v结合OCR技术对图片进行理解是常见的方法。还可进一步分为两种处理情况：
    • * 将纯文字信息图片利用OCR识别转化成文本信息。在识别成纯文本后，按照普通的文字信息作嵌入与检索即可。
    * 理解并生成图片的摘要与总结信息用于嵌入与检索。但是在检索后需要关联检索出原始图片用于后续生成

3. 在查询阶段，将上述检索出来的关联知识输入大模型进行生成，注意如果需要输入原始图片，则需要借助多模态模型进行响应生成。
上述流程中主要涉及到三种关键技术：

文档解析


主要针对半结构化/结构化的PDF文档解析与提取，考虑的工具为：
  • Unstructured：强大的非结构化数据处理平台与工具，提供商业在线API服务与开源SDK两种使用方式。支持复杂文档如PDF/PPT/DOC等的高效解析与处理，包括清理、语义分割、提取实体等。缺点是较为复杂，类似的还有OmniParse开源平台。
  • LlamaParse：这是著名的LLM开发框架LlamaIndex提供的在线文档解析服务，主要提供复杂PDF文档的在线解析与提取，其最大优势是与LlamaIndex有极好的集成，比如可以借助模型在提取时自动生成表格的摘要信息。缺点是必须在线使用。
  • Open-Parse：一个相对轻量级的复杂文档分块与提取的开源库。支持语义分块与OCR，简单易用，且支持与LlamaIndex框架的集成，比如将提取的文档直接转化为LlamaIndex中的Node。
  • 此外，国内开源的RAG引擎平台RAGFlow内置了很强的深度文档理解能力，(但未开放文档解析的独立API)，如果你需要构建基于深度文档解析的在线RAG引擎，可以考虑尝试。

多模态模型 & OCR


多模态视觉模型可以借助在线的智谱GLM-4v,阿里qwen-vl,Openai的GPT-4o，或部署开源的Llava模型等。如果希望提取图像中的文本信息（如文字扫描图像），则需要结合OCR技术：
  • 一种是借助具备OCR能力的多模态模型比如qwen-vl
  • 一种是借助专业的OCR模型与工具库。比如上面的unstructured、ominiparse都可以在加载语言的模块后具备OCR识别能力


关联检索


在将多模态内容输入给LLM生成时，往往需要借助关联检索从向量检索出来的Chunk关联到原始的表格内容或者图片，这种关联检索在常见的两种框架中都有支持：
  • LangChain：可借助多向量存储与检索（MultiVectorRetriever）来实现，将存储向量的VectorStore与图片存储做关键存储与检索
  • LlamaIndex：可借助构建递归检索器（RecursiveRetriever）来实现，将存储文本向量的Node指向存储原始表格内容或图片的Node

高级检索与查询重写

高级检索请参考独立文章：一文说清大模型RAG应用中的两种高级检索模式：你还只知道向量检索吗？
查询重写（也可以称作查询转换，或者查询分析等），已经成为大模型应用中一种很重要的工作环节。有时，用户查询可能不够明确或不够具体，这就需要查询重写以提高检索准确性。因此，查询转换是一种“检索前”的流程环节，用于将输入问题更换成一种或者多种其他形式的查询输入。
我们介绍RAG应用中常见的四种查询重写策略：

HyDE重写


HyDE（Hypothetical Document Embeddings，假设性文档嵌入）是一种已经被证明在很多场景下有着较好效果的查询改写技术。其基本过程是：
  1. 根据输入问题，生成一个假设性的答案。注意，这个答案来自LLM本身的知识，可能包含错误或者不够准确。
  2. 对该假设性的答案进行嵌入，并检索出具有相似向量的知识块（可以同时携带原问题）。
  3. 用检索出的知识块和原问题借助LLM生成最终答案。
HyDE方案被证明在很多场景下可以提高检索的准确率，但缺点在于假设文档有可能误导查询或者引入偏差，需要谨慎使用。

分步问题重写


分步问题重写的思想为：从初始的复杂查询开始，经过多步的查询转换与检索生成，直至能够完整的回答输入问题。每一次转换都基于之前的推理过程，提出下一步的问题，通常是为了解答原问题所需要的一个步骤中的问题。以一个例子说明：“2022年世界杯冠军球队的成员有哪些？”，那么基本过程如下：
  1. 分解出第一个问题：“2022年世界杯冠军球队是哪个国家队？”，然后首先查询出该问题的答案。
  2. 根据原问题以及之前的推理过程，分解出第二个问题：“2022年世界杯阿根廷国家队球员有哪些球员？”
  3. 对分解出的第二个问题进行查询，并得出最终答案。

分步问题重写过程有点类似Agent完成任务的推理过程：观察已有的过程，并根据原始问题，推理下一步的问题。

子问题重写


与分步问题重写类似的是子问题重写。子问题重写是在问答时通过生成与原问题相关的多个具体的子问题，帮助更好的解释与理解原问题，并有助于得出最终答案。其基本过程是：
  1. 将输入问题借助LLM生成多个相关的子问题，这些子问题可以是LLM自身可以回答，也可以是借助某个已有的RAG引擎能够回答。
  2. 对多个子问题进行查询，通过检索生成，得出子问题的答案。
  3. 根据多个子问题的答案与原问题，推理并合成，输出最终问题答案。

子问题重写也类似Agent在完成任务过程中的子任务分解 ，因此在实际应用中常常会利用Agent的思想：将一个问题推理分解成可以由多个RAG引擎（或Agent工具）回答的子问题，各自完成后合成答案。

后退问题重写


后退问题重写通常用来引导LLM从具体事例中提取出更加通用或关于基本原理的问题，再利用这些问题的答案重新推理原问题的答案。这种方法可以显著提高LLM遵循正确的推理路径解决问题的能力。其基本过程是：
  1. 借助LLM将原问题解释为一个更通用的后退问题。比如原问题是“Joe出生在哪个国家？在哪里度过了他的童年”。生成的后退问题可能是“Joe的生平经历有哪些”。
  2. 对重写的后退问题进行RAG检索与生成，获得相关的知识内容与答案。
  3. 将重写问题的生成答案、原问题输入（也可结合原问题检索的相关知识）再次通过LLM进行生成，输出最终答案。

RAG应用评估

在将一个软件投入应用与生产之前，传统软件过程中一个必不可少的流程环节是软件测试与评估，这是验证与衡量软件是否具备上线与生产条件的重要手段。具体到RAG应用（包括Agent），作为一种新的人工智能时代的应用形式，这个环节仍然举足轻重，甚至显得比传统应用更加重要，这源自于：
  • 需要衡量大模型输出不确定性的影响。

  • LLM应用在持续演进中的能力改进评估。
  • 定期评估与了解知识库变化带来的影响与干扰。
  • 评估大模型或嵌入模型的选择，以及版本的影响。

基于大模型的RAG应用与传统的软件应用还有一个很大的不同：传统应用软件的输出大多是确定且易于衡量的，比如输出一个确定的数值；而RAG应用中的输入输出都是自然语言，评估其相关性与准确性等都无法通过简单的定量判断，往往需要借助基于更智能的工具与评估模型来完成。

评估依据与指标


RAG应用评估的依据，也即评估模块的输入一般包括以下要素：
  • 输入问题（question）：即用户在使用RAG 应用时的输入问题。
  • 响应结果（answer）：RAG应用的最终输出，即问题的答案。
  • 上下文（contexts）：用来增强RAG应用输出的参考上下文。
  • 事实依据（reference_answer）：真实的正确答案，通常需要人类标注。

基于这些评估的依据，对RAG应用进行评估的常见指标有：
名称
相关输入
解释
正确性

correctness
answer

reference_answer
生成的答案与参考答案的匹配度。往往涵盖了回答的语意相似度与事实相似度。
语义相似度

Semantic Similarity
answer

reference_answer
生成的答案与参考答案在语义上的相似度。
忠实度

faithfulness
answer

contexts
答案与检索出的上下文的一致性。即答案内容是否能从检索出的context中推理出来。或者说，是否存在幻觉。
上下文相关性

Context 

relevancy
contexts

question
检索出的上下文与用户问题之间的相关性。即上下文中有多少内容是和输入question相关。
答案相关性

Answer 

relevancy
answer

question
答案与用户问题的相关性。即答案是否完整且不冗余地回答了输入问题，此次不考虑答案的正确性。
上下文精度

Context 

precision
contexts

reference_answer
检索出的相关上下文中与正确答案相关的条目是否排名较高。
上下文召回率

Context 

recall
contexts

reference_answer
检索出的相关上下文与正确答案之间的一致程度。即正确答案的内容是否能够归因到上下文。

RAG评估技术


RAG应用的评估可以借助开发框架自身的评估工具与模块：
  • LlamaIndex的Evaluation模块，内置了检索与生成阶段的各指标评估器。
  • Langchain的LangSmith平台，有完善的评估数据集管理与批量评估方案。

也可借助第三方的评估框架，它们通常与上述框架具有较好的集成性，比如：

我们将在后续文章中对上述非结构化文档处理、查询重写、高级检索等给出相关实现案例，敬请关注。

END



点击下方关注我，不迷路




交流请识别以下名片并说明来源

请使用浏览器的分享功能分享到微信等