企业官网建设流程全解析

湛江宇锋网站建设,商标注册申请入口,国外网站 国内做镜像,网站建设内容在本文中#xff0c;我们将介绍使用私有数据优化检索增强生成(RAG)的四种策略#xff0c;可以提升生成任务的质量和准确性。通过使用一些优化策略#xff0c;可以有效提升检索增强生成系统的性能和输出质量#xff0c;使其在实际应用中能够更好地满足需求。 RAG简单回顾 …在本文中我们将介绍使用私有数据优化检索增强生成(RAG)的四种策略可以提升生成任务的质量和准确性。通过使用一些优化策略可以有效提升检索增强生成系统的性能和输出质量使其在实际应用中能够更好地满足需求。RAG简单回顾RAG主要有两个过程。第一个是“数据收集过程”它收集来自不同来源的数据将其转换为文本将其分割成较小的、连贯的和语义相关的部分并将结果存储在矢量数据库中。第二个是“推理过程”它从用户查询开始然后使用第一个过程的结果来识别相关的数据块最后丰富模型的上下文以获得输出。我们先总结RAG过程中的可以优化的关键点:1、分块方法:优化块大小确保有意义和上下文相关的数据段。2、嵌入模型:选择和微调模型以改进语义表示。3、向量搜索方法:选择有效的相似度量和搜索参数。4、提供模型的最后提示:制作有效提示以提高输出质量。RAG的A/B测试A/B测试可以比较每个组件具有不同配置的两个版本确定哪个版本的性能更好。它分别运行两个版本并根据预定义的指标测量它们的性能。那么我们如何衡量指标呢?什么指标?为了回答这个问题我们使用了论文“RAGAS: Automated Evaluation of Retrieval Augmented Generation”种提出了三个关键指标:真实性:检查答案中的信息是否与上下文给出的信息相匹配。如果答案所说的一切都可以直接从上下文中找到或推断出来那么答案就是可靠的。相关性:检查生成的答案是否完整并直接回答所问的问题。信息是否正确无关紧要。例如如果问题是“葡萄牙的首都是什么?”答案是“里斯本是葡萄牙的首都”这个答案是相关的因为它直接回答了这个问题。如果答案是“里斯本是一个美丽的城市有很多景点”它可能是部分相关的但包含了回答问题不直接需要的额外信息。这个指标确保了答案的重点和切中要害。上下文相关性:检查上下文提供的信息在多大程度上有助于回答问题。这个指标可以确保只包括必要的和相关的细节并删除任何额外的、不相关的、无助于直接回答问题的信息。该指标确保所提供的信息对回答问题有直接帮助避免了不必要的细节。这个度量也被称为上下文精度。除此以外还添加了一个新指标:上下文召回:这个指标衡量上下文和实际答案之间的一致性与上下文相关性相同;但是使用的不是生成的答案而是实际的答案。一个基本真理是得到这个度规所必需的。为了评估这些策略的有效性我根据ColdF的数据准备了一套10个带有实际答案的问题。真实性和答案相关性是生成器度量标准分别衡量幻觉和答案对问题的直接程度。上下文相关性和上下文召回是检索度量分别度量从向量数据库检索正确数据块和获得所有必要信息的能力。下面开始使用LangChain来实现RAG流程我们先安装库:代码语言javascriptpip install ollama0.2.1 pip install chromadb0.5.0 pip install transformers4.41.2 pip install torch2.3.1 pip install langchain0.2.0 pip install ragas0.1.9下面是使用LangChain的代码片段:代码语言javascript# Import necessary libraries and modules from langchain.embeddings.base import Embeddings from transformers import BertModel, BertTokenizer, DPRQuestionEncoder, DPRQuestionEncoderTokenizer, RobertaModel, RobertaTokenizer from langchain.prompts import ChatPromptTemplate from langchain_text_splitters import MarkdownHeaderTextSplitter import requests from langchain_chroma import Chroma from langchain import hub from langchain_core.runnables import RunnablePassthrough from langchain_core.output_parsers import StrOutputParser from langchain_community.chat_models import ChatOllama from operator import itemgetter # Define a custom embedding class using the DPRQuestionEncoder class DPRQuestionEncoderEmbeddings(Embeddings): show_progress: bool False Whether to show a tqdm progress bar. Must have tqdm installed. def __init__(self, model_name: str facebook/dpr-question_encoder-single-nq-base): # Initialize the tokenizer and model with the specified model name self.tokenizer DPRQuestionEncoderTokenizer.from_pretrained(model_name) self.model DPRQuestionEncoder.from_pretrained(model_name) def embed(self, texts): # Ensure texts is a list if isinstance(texts, str): texts [texts] embeddings [] if self.show_progress: try: from tqdm import tqdm iter_ tqdm(texts, descEmbeddings) except ImportError: logger.warning( Unable to show progress bar because tqdm could not be imported. Please install with pip install tqdm. ) iter_ texts else: iter_ texts for text in iter_: # Tokenize the input text inputs self.tokenizer(text, return_tensorspt) # Generate embeddings using the model outputs self.model(**inputs) # Extract the embedding and convert it to a list embedding outputs.pooler_output.detach().numpy()[0] embeddings.append(embedding.tolist()) return embeddings def embed_documents(self, documents): return self.embed(documents) def embed_query(self, query): return self.embed([query])[0] # Define a template for generating prompts template ### CONTEXT {context} ### QUESTION Question: {question} ### INSTRUCTIONS Answer the users QUESTION using the CONTEXT markdown text above. Provide short and concise answers. Base your answer solely on the facts from the CONTEXT. If the CONTEXT does not contain the necessary facts to answer the QUESTION, return NONE. # Create a ChatPromptTemplate instance using the template prompt ChatPromptTemplate.from_template(template) # Fetch text data from a URL url https://raw.githubusercontent.com/cgrodrigues/rag-intro/main/coldf_secret_experiments.txt response requests.get(url) if response.status_code 200: text response.text else: raise Exception(fFailed to fetch the file: {response.status_code}) # Define headers to split the markdown text headers_to_split_on [ (#, Header 1) ] # Create an instance of MarkdownHeaderTextSplitter with the specified headers markdown_splitter MarkdownHeaderTextSplitter( headers_to_split_on, strip_headersFalse ) # Split the text using the markdown splitter docs_splits markdown_splitter.split_text(text) # Initialize a chat model llm ChatOllama(modelllama3) # Create a Chroma vector store from the documents using the custom embeddings vectorstore Chroma.from_documents(documentsdocs_splits, embeddingDPRQuestionEncoderEmbeddings()) # Create a retriever from the vector store retriever vectorstore.as_retriever() # Define a function to format documents for display def format_docs(docs): return \n\n.join(doc.page_content for doc in docs) # Create a retrieval-augmented generation (RAG) chain rag_chain ( {context: retriever | format_docs, question: RunnablePassthrough()} | RunnablePassthrough.assign(contextitemgetter(context)) | {answer: prompt | llm | StrOutputParser(), context: itemgetter(context)} ) # Invoke the RAG chain with a question result rag_chain.invoke(Who led the Experiment 1?) print(result)使用下面代码来评估指标:代码语言javascript# Import necessary libraries and modules import pandas as pd from datasets import Dataset from ragas import evaluate from ragas.metrics import ( context_precision, faithfulness, answer_relevancy, context_recall ) from langchain_community.chat_models import ChatOllama def get_questions_answers_contexts(rag_chain): Read the list of questions and answers and return a ragas dataset for evaluation # URL of the file url https://raw.githubusercontent.com/cgrodrigues/rag-intro/main/coldf_question_and_answer.psv # Fetch the file from the URL response requests.get(url) data response.text # Split the data into lines lines data.split(\n) # Split each line by the pipe symbol and create tuples rag_dataset [] for line in lines[1:10]: # Only 10 first questions if line.strip(): # Ensure the line is not empty question, reference_answer line.split(|) result rag_chain.invoke(question) generated_answer result[answer] contexts result[context] rag_dataset.append({ question: question, answer: generated_answer, contexts: [contexts], ground_truth: reference_answer }) rag_df pd.DataFrame(rag_dataset) rag_eval_datset Dataset.from_pandas(rag_df) # Return the lragas dataset return rag_eval_datset def get_metrics(rag_dataset): For a RAG Dataset calculate the metrics faithfulness, answer_relevancy, context_precision and context_recall # The list of metrics that we want to evaluate metrics [ faithfulness, answer_relevancy, context_precision, context_recall ] # We will use our local ollama with the LLaMA 3 model langchain_llm ChatOllama(modelllama3) langchain_embeddings DPRQuestionEncoderEmbeddings(facebook/dpr-question_encoder-single-nq-base) # Return the metrics results evaluate(rag_dataset, metricsmetrics, llmlangchain_llm, embeddingslangchain_embeddings) return results # Get the RAG dataset rag_dataset get_questions_answers_contexts(rag_chain) # Calculate the metrics results get_metrics(rag_dataset) print(results)如果你的代码正常运行了应该返回下面这样的结果代码语言javascript{ faithfulness: 0.8611, answer_relevancy: 0.8653, context_precision: 0.7778, context_recall: 0.8889 }前两个指标与模型相关要改进这些指标有必要更改语言模型或为模型提供信息的提示后两个指标与检索相关要改进这些指标有必要研究文档的存储、索引和选择方式。下面我们开始进行改进分块分块方法确保数据被分割成最优的检索段。对不同块大小进行实验以在太小(缺少上下文)和太大(检索系统冗余)之间找到平衡。在基线中我们根据每个实验对文档进行分组;这意味着实验的某些部分可能会被稀释而不会在最终的嵌入中表现出来。解决这种情况的一种方法是使用父文档检索器。这个方法不仅检索特定的相关文档片段或段落还检索它们的父文档。这种方法确保了相关片段周围的上下文得到保存。下面的代码用于测试这种方法:代码语言javascript# Import necessary libraries and modules from langchain.retrievers import ParentDocumentRetriever from langchain.storage import InMemoryStore from langchain.text_splitter import RecursiveCharacterTextSplitter # Create the parent document retriever parent_document_retriever ParentDocumentRetriever( vectorstore Chroma(collection_nameparents, embedding_functionDPRQuestionEncoderEmbeddings(facebook/dpr-question_encoder-single-nq-base)), docstore InMemoryStore(), child_splitter RecursiveCharacterTextSplitter(chunk_size200), parent_splitter RecursiveCharacterTextSplitter(chunk_size1500), ) parent_document_retriever.add_documents(docs_splits) # Create a retrieval-augmented generation (RAG) chain rag_chain_pr ( {context: parent_document_retriever | format_docs, question: RunnablePassthrough()} | RunnablePassthrough.assign(contextitemgetter(context)) | {answer: prompt | llm | StrOutputParser(), context: itemgetter(context)} ) # Get the RAG dataset rag_dataset get_questions_answers_contexts(rag_chain_pr) # Calculate the metrics results get_metrics(rag_dataset) print(results)结果如下这种改变降低了性能通过指标我们可以看到上下文召回率下降表明检索过程不正确上下文没有完整的信息。真实性和答案相关性度量的变化源于复杂的上下文。所以我们需要尝试其他的分块和检索方法嵌入模型嵌入模型将文本块转换为密集的向量表示。不同的模型可以在不同的主题上进行训练选择一个正确的模型可以改进嵌入。嵌入方法的选择应考虑计算效率和嵌入质量之间的平衡。这里比较了不同的嵌入模型如Dense Passage Retrieval Sentence-BERT 或Chroma的默认模型(“all-MiniLM-L6-v2”。每个模型都有自己的长处在特定于领域的数据上对它们进行评估有助于确定哪个模型提供了最准确的语义表示。我们定义一个新类“SentenceBertEncoderEmbeddings”。这个新类实现了模型Sentence-BERT模型。这个新类将取代我们之前的嵌入“DPRQuestionEncoderEmbeddings”代码语言javascript# Import necessary libraries and modules import pandas as pd from datasets import Dataset from ragas import evaluate from ragas.metrics import ( context_precision, faithfulness, answer_relevancy, context_recall ) from langchain_community.chat_models import ChatOllama from sentence_transformers import SentenceTransformer # Define a custom embedding class using the DPRQuestionEncoder class SentenceBertEncoderEmbeddings(Embeddings): show_progress: bool False Whether to show a tqdm progress bar. Must have tqdm installed. def __init__(self, model_name: str paraphrase-MiniLM-L6-v2): # Initialize the tokenizer and model with the specified model name self.model SentenceTransformer(model_name) def embed(self, texts): # Ensure texts is a list if isinstance(texts, str): texts [texts] embeddings [] if self.show_progress: try: from tqdm import tqdm iter_ tqdm(texts, descEmbeddings) except ImportError: logger.warning( Unable to show progress bar because tqdm could not be imported. Please install with pip install tqdm. ) iter_ texts else: iter_ texts for text in iter_: embeddings.append(self.model.encode(text).tolist()) return embeddings def embed_documents(self, documents): return self.embed(documents) def embed_query(self, query): return self.embed([query])[0] # Create a Chroma vector store from the documents using the custom embeddings vectorstore Chroma.from_documents(documentsdocs_splits, embeddingSentenceBertEncoderEmbeddings()) # Create a retriever from the vector store retriever vectorstore.as_retriever() # Create a retrieval-augmented generation (RAG) chain rag_chain_ce ( {context: retriever | format_docs, question: RunnablePassthrough()} | RunnablePassthrough.assign(contextitemgetter(context)) | {answer: prompt | llm | StrOutputParser(), context: itemgetter(context)}) # Get the RAG dataset rag_dataset get_questions_answers_contexts(rag_chain_ce) # Calculate the metrics results get_metrics(rag_dataset) print(results)结果如下可以看到性能也下降了。这是因为DPR具有比Sentence-BERT更高的检索精度使其更适合我们的情况其中精确的文档检索是至关重要的。当切换到Sentence-BERT时“真实性”和“答案相关性”指标的显著下降突出了为要求高检索精度的任务选择合适的嵌入模型的重要性。同时也说明不同类型的RAG任务可能需要特定领域的嵌入模型。向量搜索方法向量搜索方法基于相似性度量检索最相关的块。常用的方法包括欧几里得(L2)距离、余弦相似度等。改变这种搜索方法可以提高最终输出的质量。代码如下:代码语言javascript# Import necessary libraries and modules import pandas as pd from datasets import Dataset from ragas import evaluate from ragas.metrics import ( context_precision, faithfulness, answer_relevancy, context_recall ) from langchain_community.chat_models import ChatOllama # Create a Chroma vector store from the documents # using the custom embeddings and also changing to # cosine similarity search vectorstore Chroma.from_documents(collection_namedist, documentsdocs_splits, embeddingDPRQuestionEncoderEmbeddings(), collection_metadata{hnsw:space: cosine}) # Create a retriever from the vector store retriever vectorstore.as_retriever() # Create a retrieval-augmented generation (RAG) chain rag_chain_dist ( {context: retriever | format_docs, question: RunnablePassthrough()} | RunnablePassthrough.assign(contextitemgetter(context)) | {answer: prompt | llm | StrOutputParser(), context: itemgetter(context)}) # Get the RAG dataset rag_dataset get_questions_answers_contexts(rag_chain_dist) # Calculate the metrics results get_metrics(rag_dataset) print(results)可以看到“真实性”得到了提高使用余弦相似度进行向量搜索增强了检索文档与查询的对齐即使“上下文精度”降低了。总体上较高的“信度”和“上下文召回率”表明余弦相似度在这种情况下是一种更有效的向量搜索方法支持向量搜索方法选择在优化检索性能方面的重要性。输入模型的最后提示最后的提示构造涉及到将检索到的数据集成到模型的查询中。提示符中的微小变化会显著影响结果使其成为一个反复试验的过程。在提示中提供示例可以引导模型获得更准确和相关的输出提示词的修改不涉及代码的改变所以这里我们就不进行演示了总结优化检索增强生成(RAG是一个迭代过程它在很大程度上取决于应用程序的特定数据和上下文。我们探讨了四种关键优化方向:细化分块方法、选择和微调嵌入模型、选择有效的向量搜索方法以及制作精确的提示。这些组件中的每一个都在提高RAG系统的性能方面起着至关重要的作用。优化RAG的过程是需要持续的测试的从失败中学习以及做出明智的调整。需要采用迭代方法才能定制出适合自己的AI解决方案更有效地满足特定需求。还有最重要的一点成功的关键在于理解现有的数据尝试不同的策略并不断改进的流程。想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2026 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2026 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”