RAG-Book

本项目为书籍《大模型RAG实战》的代码以及资料汇总。

项目介绍

• adavanced rag（一些常见的高级RAG技巧）

  • query_enhancement （包含问题改写，step_back，子问题等）

  • chunk_enhancement （包括压缩，问题猜测等）

  • retrieval_enhancement （混搜等，metadata filter等，待更新~）

  • generation_enhancement （溯源等，待更新~）

• agentic rag （将LLM当作驱动agent的引擎，召回函数当作工具，可以完成单步或者多步规划）

• graphrag （对nano-graphrag进行了一些修改，主要修改prompt为中文，以及一些因为模型输出能力上的bug，生成模型向量模型替换成私有的模型）

• rag blog （近期的一些rag博客）

• chapter 7

  • 71_72_code（langchain demo）

• chapter 8

  • make_qa_data (构造训练数据)

  • train_embedding_model （思域向量模型训练）

  • finetune_qwen_llm （大模型微调）

  • rag_end2end(联合训练)

宣传文稿：RAG的范式变迁

ChatGPT爆火之后，以ChatPDF为首的产品组合掀起了知识库问答的热潮。

在过去一整年中，大多数人都在完成RAG系统到高级RAG系统的迭代升级。但是技术发展是迅速的，如何深入了解RAG的发展，做出更好的RAG系统，其实还是非常困难的。

大模型爆火后的RAG系统发展，大体可以将其分为3个阶段，初级、高级、超级。初级阶段更多的是搭建起系统的pipeline；高级阶段是在召回生成测修修补补，根据badcase反推流程上的优化技巧；超级对应了从Agentic RAG、RAG不存在了、多模态RAG、结构化RAG、GraphRAG、MemoryRAG等技术飞速发展的阶段。

S1 初级RAG

S1阶段处于23年元旦前后，最先在Github出现了一批尝试去复现chatpdf的项目，他们通过对知识库文档进行定长分块建立索引。然后使用用户query去索引中召回相关的文档片段，结合预定义的prompt模板，让LLM生成问题相关的答案。

其中用到的向量和LLM模型，闭源一般使用openai ada 002 + chatgpt。开源中文测的则比较稀缺，常见的如simbert/text2vec + chatglm v1 6b等。

大体的一个流程图如下：

S2 高级RAG

S2阶段横跨23年整年的时间，大体上可以分为模型测和策略测。

模型测

召回模型测：开源社区现在项链模型发力，一些针对QA分布的向量模型开源，如M3E，BGE等。

生产模型测：国产大模型百花齐放，百川、书生、千问、智谱等。

策略测

策略测在卷3大块的内容

1. 如何保证更好的文档切分？这里诞生了很多的解析，切分，索引构建技巧。
   • 解析测，简单的从纯文本识别，到后来更复杂的借助版式识别+OCR的方式，还要针对表格，图片等单独处理
   • 切分方面，从滑动窗口定长切分到语义，模块化切分等。
   • 索引构建的一些技巧主要是为了应对chunk切分后的信息丢失问题，常见的比如，保留前后块的索引，文档级别的索引构建等。
2. 如何召回的更好？召回测的一个出发点是，用来召回的query并非一定是用户的输入query。对此我们可以一下子想起来如query改写，hyde，子问题，step-back等常见策略。当然也有混合搜索这类不属于这个范畴的技巧。
3. 如何生成的更好？生成测的一个出发点是，用来生成的内容并非一定是召回的query。从这一点我们也可以想起来如召回内容压缩，内容rerank，溯源，map-reduce等一些策略。

模型微调测

RAG系统的主要模型还是嵌入模型+生成模型。因此二者的训练方式，也产生了几个不同的大类别。最简单的二者直接使用开源模型，称为Traning free的方式；如果是针对私有化的数据进行训练这2个模型，产生3种训练方式：

• 方式一：分别独立训练 （Independent Training）
• 方式二：顺序训练 （Sequential Training），又因为模块的先后，分为LLM First / Retriever First 2种
• 方式三：联合训练（Joint Training）

S3 超级RAG

S3阶段处于23年底一直到现在，这个阶段RAG的概念几乎是2个月变一次。

23年底，24年初，开源的大模型已经出现了如Yi-34B，Qwen-72B等具备长上下文能力且效果优异的大模型。RAG的发展注定需要往当时火热的Agent测靠拢。

Agent的核心为引擎+工具。引擎对整个流程做出决策，如是否调用某个知识库搜索知识，是否需要对结果进行反思重新迭 代等。一个简单的Agentic RAG系统如下图：

多模态RAG，结构化RAG，属于小而美的范畴。可能一方面是多模态还没有完全进入工业界，结构化RAG属于NL2SQL的范畴。对于这2个整体上与传统的RAG差异不大，区别在于，多模态流转的中间形态可能是图片，使用clip之类的图文检索模型召回，VL模型进行答案生成。结构化RAG的差异仅在召回测，使用sql、dsl等方式进行结构化数据库的召回。

24年上半年，部分厂商的RAG系统，在探索新的方向。如contextual.ai发文介绍他们的RAG2.0系统，虽然介绍博客的内容主要是联合训练。斯坦福的大佬们发布了RAPTOR，尝试通过层次的聚类来让RAG索引具备更高级的信息。

越来越多的开源框架，在往Agentic RAG方面发展，当然最常见的还是结合self-reflection，self-rag，crag的Agentic RAG系统。

24年中，微软开源了GraphRAG的项目代码，无数的公众号在炒作这个图谱集合的RAG系统。相比于RAPTOR，GraphRAG在底层的chunk层更拉通，前者的聚类仅限于文档内，在逐级往上到文档间。而基于图谱的RAG在文档间的chunk之间可能会存在实体的连接，从而社区之类之后可以让聚类的社区信息，更好的跨不同的文档。整体上，确实能丰富RAG系统的索引构建，也可以结合传统的高级RAG，实现一个更好的hybird RAG系统。

当然24年也有很多RAG不存在的说法，如很多的论文在评估Long Context(LC)大模型与RAG系统准确率的高低之时，RAG系统都处于下风。同时还有一些特殊的开闭源产品，比较常见的就是将知识融合进外挂参数中，最早的如Lamini的Memory Tunning，最近的如智源的MemoRAG。