企业官网建设流程全解析

主流网站编程语言,机械设备 东莞网站建设,广州最穷的三个区,宜兴网站建设价格信息本文探讨了RAG知识库质量优化方法#xff0c;对比了基于余弦相似度的评估指标与ragas框架的优缺点。通过召回率、正确度和是否基于知识三个指标评估知识库质量#xff0c;并提出了改进方向#xff1a;提升知识切片质量#xff08;包括自洽性、纯净度等维度#xff09;和调…本文探讨了RAG知识库质量优化方法对比了基于余弦相似度的评估指标与ragas框架的优缺点。通过召回率、正确度和是否基于知识三个指标评估知识库质量并提出了改进方向提升知识切片质量包括自洽性、纯净度等维度和调整embedding参数以及通过优化提示词和选择更强模型提升回答能力。知识库优化是系统性工程需从多维度综合改进。一、前情提要——知识库评估框架搭建1.之前的评估指标我们提到了用retrieved_context、answer、ground_truth三个值分别两两做余弦相似度来衡量RAG知识库的建设情况。其中retrieved_context即RAG知识库召回的内容用作后续给大模型提示的上下文以下会简称contextanswer即大模型根据提示输出给用户所见的答案ground_truth三个值中唯一由人类编写的基准问题答案然后我们三个指标分别是召回率recall_scorecontext与ground_truth的余弦相似度对比正确度correctnessanswer与ground_truth的余弦相似度对比是否基于知识groundednesscontext与answer的余弦相似度对比2.之前犯的错之前获取context的方法为直接从基准的问答对中获取context都怪ChatGPT给我生成的代码在基准问答数量不多的情况下完全无法匹配实际知识库的内容。因此我们第一次用20个基准问答进行测评的召回率非常低只有0.54从指标上来看就是一个基本不可用的状态。所以在改进的方法里我们直接获取智能体链路中的context这样就可以真实评估知识库的建设情况。3.调整后我们的指标结果在调整过上述内容后我们用50个问答对的基准文件获取了新的三个指标结果分别是recall_score0.84354correctness0.856932groundedness0.886386可以看到分数相较之前0.540.750.59有了明显提升并且也趋于理性但这个分数到底应该怎么评价我们设计了以下评价单分数区间评价结果表现0.00 – 0.60不可用多数回答错误、检索不到内容、强幻觉0.60 – 0.70很差不稳定大量错误回答、引用不全、模型经常胡猜0.70 – 0.80差提供参考价值有限回答部分正确但经常缺失关键信息或依据不足0.80 – 0.85一般 可用性有限系统有基本功能但明显不稳定幻觉仍较多不可信任0.85 – 0.90中等初步可用70–80% 的回答还行其余需要检查0.90 – 0.95良好表现尚可整体稳定只在少数复杂问题出现偏差0.95 – 0.98优秀成熟可用绝大多数回答可直接信赖幻觉很少0.98 – 1.00卓越近乎完美所有问题都根据知识库稳定回答几乎无幻觉实际使用时可以找到分数低的基准问题来针对性优化相关的知识片段。二、为什么不用ragas来评估其实我们也已经搭建了ragas评判机制credits to 在20250315见过金玟庭的某人啾咪后续就都会用ragas来进行判断了。先简单介绍下ragasragas是一个比较热门的用来评价RAG系统的开源框架其核心除了retrieved_context、answer、ground_truth三个值外还多了query这个值就是输入问题。ragas有多个指标来衡量RAG系统的建设效果这里介绍四个基本的指标侧重生成generation指标faithfulness忠实性回答中的事实是否都能在检索到的上下文中找到依据用于衡量模型是否产生幻觉answer relevancy回答相关性生成的回答与问题的相关性有多高回答的问题与基准答案的相关性大模型根据回答逆向推断出问题判断假定的问题与真实问题的相关性侧重检索retrieval指标context precision上下文精确率检索到的K个切片中有多少是和问题、基准答案相关的context recall上下文召回率它能否检索到回答该问题所需的所有相关信息检索到的上下文与基准答案的一致程度ragas的主要计算方法不是通过余弦相似度而是让大模型自己进行判断因为余弦相似度会有这样的问题参考文档上海是中国的城市回答上海是美国的城市余弦相似度很高但答案是错的当然大模型也不是完全值得信任参数量越小的模型其判断能力也就越差而用向量计算余弦相似度也有其工程上的科学性选用哪一种方式见仁见智吧。再来总结下指标调用大模型次数/问题计算方法faithfulness1大模型判断相关性answer relevancy1逆向问题与基准问题的平均余弦相似度context precisionN召回N个片段调用N次大模型判断相关性context recallN召回N个片段调用N次大模型判断相关性在不优化提示词与调用方法的情况下在一个常规设置召回top-k为4的RAG系统中一个问题就需要调用10次通用大模型与1次embedding模型查看源码发现实际上在answer relevancy指标获取上基准问题和逆向问题各分别调了一次embedding对模型资源是一个比较大的消耗。我们在测试时用了50个基准问题大模型的调用次数已经来到了620次620次里还包含context relevance指标但我觉得这个指标没啥意义所以这里不介绍了。50个基准问题测试后结果如下faithfulness0.833375answer relevancy0.880049context precision0.963151context recall0.906750与用纯余弦相似度计算的结果相比两者的结果指标在区间上相近但在上下文质量的评估上ragas获取的分数更高。ragas的整体分数也可以用上文中的评价区间来评价这点是共通的。总的来说ragas在事实判断上更强但成本更高按需使用即可。三、如何改进提升指标上面废话了那么多后不管是用我们余弦相似度指标还是ragas框架最终目标都是去改进我们的知识库。改进有两个方向一个方向是提升召回的准确率和一致性另一个方向是提升回答得准确率和相关性。1.提升召回能力提升召回能力这个方向中有两个子提升方向一个是提升知识切片chunking的质量另一个就是对召回本身的能力进行提升。提升切片质量先明确说下在规模化的知识库场景下切片不应该依赖人工逐条完成。知识团队要做的是对原始的知识文档解析①将其中的图片、表格变成描述性文字②补充相关的段落标题、关键字③删除文档中原本为了可读性而添加的信息密度低的文字剩下的切片应该是给出规则让系统自己进行切片。在dify中dify会按照其默认配置对知识文档会进行切片在中文场景下一般设置一个chunk为500 tokens重叠50 tokens是没啥问题的。在这里ragas给了一个灵感——让大模型来打分例如以下几个维度①自洽性让大模型来评判一个chunk文本是否可以在没有任何上下文的情况下被完整理解②纯净度embedding计算一个chunk内各句子间的平均余弦相似度看一个chunk是否主题混杂③信息密度让大模型来抽取chunk中可以判断对错的句子数然后计算其占总句子数的比例比例低说明chunk很水④可检索性让大模型为chunk生成3-5个可能问题看看chunk是否出现在top-k中这个是直接对应召回率的一个指标可以综合一个加权分数然后过滤出质量差的chunk。上述方案会作为我们下阶段的探索方向等有更多成果了再跟大家汇报。另外在测评的过程中我们发现现有知识库中有很多重复内容某些语义相似的片段甚至会有自相矛盾的内容。重复内容将造成评测失真我们简单去除了明显重复的内容后召回质量也有了一定提升。 后续也可以通过更加工程化的方式找到重复的chunk简单想想的方式有先通过文本hash去除完全一致的内容然后计算每个chunk的embedding再每个chunk查找top-k相似的chunk通过相似度或大模型判断来找到语义相似的chunk。调整embedding/rerank相关参数作为产品团队或者说知识整理团队不建议对这块进行调整一是能力不够再是与其把精力花在这不如多花时间去整理知识。2.提升回答能力这个方向可以总结为两个场景一个是如何让大模型在获取了正确上下文后做出正确回答不要废话另一个是如何让大模型在没有获取正确上下文后不要自己瞎编回答。几个提升方法吧最简单的方法用更强的大模型你能用Deepseek671或者Qwen235就用能用的最高参数量的模型。要是没有显卡跑不起来可以把这篇文章给你领导看看笑优化提示词①可以明确在提示词中要求不要瞎猜例如你必须严格基于提供的知识内容回答不允许猜测。 如果知识未覆盖请回答“知识库暂无相关内容”。②可以让大模型给出引用的chunk内容。③可以让大模型回答两次然后做一致性校验。当然对于内部客服智能体来说必要性不高。知识库改进并不是简单的调参数做试验而是一个系统性的工程问题AI时代未来的就业机会在哪里答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具到自然语言处理、计算机视觉、多模态等核心领域技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。掌握大模型技能就是把握高薪未来。那么普通人如何抓住大模型风口AI技术的普及对个人能力提出了新的要求在AI时代持续学习和适应新技术变得尤为重要。无论是企业还是个人都需要不断更新知识体系提升与AI协作的能力以适应不断变化的工作环境。因此这里给大家整理了一份《2026最新大模型全套学习资源》包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题、AI产品经理入门到精通等带你从零基础入门到精通快速掌握大模型技术由于篇幅有限有需要的小伙伴可以扫码获取1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。5. 大模型行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。为什么大家都在学AI大模型随着AI技术的发展企业对人才的需求从“单一技术”转向 “AI行业”双背景。企业对人才的需求从“单一技术”转向 “AI行业”双背景。金融AI、制造AI、医疗AI等跨界岗位薪资涨幅达30%-50%。同时很多人面临优化裁员近期科技巨头英特尔裁员2万人传统岗位不断缩减因此转行AI势在必行这些资料有用吗这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。大模型全套学习资料已整理打包有需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】