【导读】RAG（Retrieval-Augmented Generation）是一种结合检索和生成的混合系统，在当前大模型的实际应用中具有重要意义。以下是我在之前分享的一些RAG搭建技巧和策略，供大家学习和参考。由于实验是在企业数据上进行验证的，因此不展示具体数据，仅进行技巧上的探讨。
RAG优势
通过结合检索和生成的优势，RAG显著提高了LLM答案的准确性、相关性和可解释性，并减少了幻觉现象。尽管LLM在处理长文本方面的能力不断增强，但在短期内，RAG的优势依然不可替代。
RAG框架流程
可以大致概括为4个部分：1）文档切分入库；2）问题处理；3）召回；4）大模型生成。
RAG文档切分入库
切分入库是RAG文档解析的第一步，通常可以使用现成的Python工具来实现，LangChain也提供了相关集成。对于多模态数据，可以采用OCR或VLLM等技术来解析其中的有效信息。
知识切分
文档切分是一个非常重要的环节，它直接关系到片段召回的完整性和生成质量。根据文档类型的不同，切分策略也有所不同。以下介绍了针对四种情况的不同切分方式。
多级索引
通常情况下，片段可以直接入库。然而，如果基于这些片段构建摘要和查询的索引，并将其链接回原始片段，可以显著增强检索效果。
问题处理
对于问题的处理通常容易被忽视，但实际上这一部分有许多可以尝试的改进点。通过优化问题处理，不仅可以提升整个系统的健壮性，还能显著改善用户体验。
召回排序模块
这一部分是RAG的核心模块，通常采用向量粗排和重排序（reranker）精排的策略。可以根据具体业务需求设计多种召回策略，充分利用知识库自带的信息。总之，召回模块应尽可能实现对知识的全面召回。
大模型生成
大模型生成部分的关键在于模型的选择和微调。在调试提示词（prompt）时，可以根据业务的复杂性进行多种尝试。如果是推理型问题，可以在提示词中增加思维链；如果涉及计算题，可以要求模型生成公式或代码，再计算结果。
