◆Part1
RAG 的全称是:Retrieval Augmented Generation(检索增强生成) 最初来源于 2020 年 Facebook 的一篇论文:Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks(是的,你没有看错,2020 年就有这项技术了)。
这篇论文要解决的一个问题非常简单:如何让语言模型使用外部知识(external knowledge)进行生成。通常,pre-trAIn 模型的知识存储在参数中,这就导致了模型不知道训练集之外的知识(例如搜索数据、行业的 knowledge)。之前的做法是有新的知识就再重新在 pre-train 的模型上 finetune。 这样的方式会有几个问题:
- 每次有新的知识后都需要进行 finetune
- 训练模型的成本是很高的
于是这篇论文提出了 RAG 的方法,pre-train 的模型是能够理解新的知识的,那么我们直接把要让模型理解的新知识通过 prompt 的方式给它即可。
所以一个最小的 RAG 系统就是由 3 个部分组成的:
1. 语言模型
2. 模型所需要的外部知识集合(以 vector 的形式存储)
3. 当前场景下需要的外部知识
Langchain, llama-index 本质上就是做的这套 RAG 系统(当然还包括构建在 RAG 上的 agent)。
如果理解了本质,其实是没有必要再额外增加一层抽象的,根据自己的业务情况来搭建这套系统即可。例如,我们为了保持高性能,采用了 Go + Rust 的架构,能够支持高并发的 RAG 请求。
把问题简化,不管是搭建什么样的 RAG,优化这套系统就是分别优化这 3 个模块。
◆1) 语言模型
为什么 2020 年的这篇论文直到今年才火起来?
一个主要的原因就是之前的基座模型能力不够。如果底层模型很笨,那么即使给到了 丰富的外部知识,模型也不能基于这些知识进行推演。
从论文的一些 benchmark 上也可以看出效果有提升,但是并没有特别显著。
1.1)GPT-3 的出现第一次让 RAG 变得可用
第一波基于 RAG + GPT-3 的公司都获得了非常高的估值 & ARR(年经常性收入):
- Copy AI
- Jasper
这两个都是构建营销领域 RAG 的产品,曾经一度成为明星 AI 独角兽,当然现在祛魅之后估值也大幅度缩水。
1.2)2023 年以来,出现了大量的开源 & 闭源的基座模型,基本上都能够在上面构建 RAG 系统
最常见的方式就是:
- GPT-3.5/4 + RAG(闭源方案)
- Llama 2 / Mistral + RAG(开源方案)
◆2) 模型所需要的外部知识集合
现在应该大家都了解了 embedding 模型了,包括 embedding 数据的召回。
embedding 本质上就是把数据转化为向量,然后通过余弦相似度来找到最匹配的两个或多个向量。
knowledge -> chunks -> vector
user query -> vector
2.1)这个模块分成两个部分:
- embedding 模型
- 存储 embedding vector 的数据库
前者基本上都使用 OpenAI 的 embedding 模型,后者可选方案非常多,包括 Pinecone,国内团队的 Zilliz,开源的 Chroma,在关系型数据库上构建的 pgvector 等。
2.2)这些做 embedding 数据库的公司也在这一波 AI Hype 中获得了非常高的融资额和估值。
但是从第一性原理思考,模块 2 个目的是为了存储外部的知识集合,并在需要的时候进行召回。
这一步并不一定需要 embedding 模型,传统的搜索匹配在某些场景下可能效果更好(Elasticsearch)。
2.3)http://devv.ai 采用的方式是 embedding + 传统的 relation db + Elasticsearch。
并在每个场景下都做了很多优化,一个思路是在 encoding knowledge 的时候做的工作越多,在 retrieve 的时候就能够更快 & 更准确(先做工 & 后做工的区别)。
2.4)我们使用 Rust 构建了整套 knowledge index
包括:
- GitHub 代码数据
- 开发文档数据
- 搜索引擎数据
◆3) 更好地召回当前场景下需要的外部知识
根据优先做工的法则,我们在 encoding 的时候对于原始的 knowledge 数据做了很多处理:
- 对代码进行程序分析
- 对开发文档进行逻辑级别的 chunk 分块
- 对网页信息的提取 & page ranking 优化
3.1)做完了上面的工作之后保证了我们在 retrieve 的时候获取到的数据本身就是结构化的了,不需要做太多的处理,而且可以提升召回的准确率。
◆总结
不管是通用的 RAG,还是专有的 RAG,这是一个做得马马虎虎很容易的领域,但是要做到 90 分很难。
每一步骤都没有最佳实践,例如 embedding chunk size,是否需要接搜索引擎,都需要根据实际的业务场景来多试。
相关的论文非常多,但是并不是每篇论文里面提到的方法都是有用的。
◆Part2
这个系列的 thread 会分享 devv.ai 背后构建整个 Retrieval Augmented Generation System 的经验,包括在生产环境上的一些实践。
这是系列的第二篇,主题是「如何评估一个 RAG 系统」。
上篇我们提到了什么是 RAG 系统,以及构成的基本要素,这里再来复习一下。
一个最基本的 RAG 系统由以下 3 个部分组成:
- 语言模型
- 外部知识合集
- 当前场景下所需要的外部知识
想要优化整个系统,就可以把问题分解为优化这个系统的每个部分。
但是优化一个基于 LLM 的系统的难点在于,这个系统本质上是一个黑盒,没有一套有效的评估手段。如果连最基础的 benchmark 也没有,怎么提升对应的指标也就是空谈了。
所以我们要做的第一件事就是先建立对整个 RAG 系统的评估体系。
来自 Stanford 的这篇论文主要做的就是这个工作,评估生成式搜索引擎的可验证性。
Evaluating Verifiability in Generative Search Engines
arxiv.org/abs/2304.09848
这篇论文虽然是用来评测 Generative Search Engine(生成式搜索引擎),但是也完全可以把其中的方法应用到 RAG 上,本质上 Generative Search Engine 算是 RAG 的一个子集,还有针对于特定领域数据的 RAG 系统。
论文中提到了一个值得信赖的 Generative Search Engine 的先决条件就是:可验证性(verifiability)。
我们都知道 LLM 经常会一本正经的胡说八道(幻觉,hallucination),生成一些看似对,实则错的内容。而 RAG 的一个优势就是给模型提供了参考资料,让模型降低幻觉的概率。
而这个幻觉降低了多少,就可以用 verifiability 这个指标来进行评估。
理想的 RAG 系统应该是:
- 高引用召回率(high citation recall),即所有的生成内容都有引用(外部知识)充分支持
- 高引用精度(high citation precision),即每个引用是否真的支持生成的内容
实际上这两个指标不可能做到 100%,根据论文中的实验结果,现有的 Generative Search Engine 生成的内容经常包含无据陈述和不准确的引文,这两个数据分别是 51.5% 和 74.5%。
简单来说,就是生成的内容和外部的知识不匹配。
论文对 4 个主流的 Generative Search Engine 进行了评估:
- Bing Chat
- NeevaAI(已经被 Snowflake 收购)
- Perplexity
- YouChat
评测的问题来自不同的主题和领域。