掌握RAG：小白程序员也能轻松入门大模型，收藏这份学习秘籍！

大型语言模型LLMs虽强大但存在“幻觉”、知识更新慢等问题。检索增强生成技术RAG通过检索外部知识库提升内容准确性和可追溯性。本文介绍了RAG的核心范式朴素RAG、进阶RAG、模块化RAG、关键技术及未来趋势帮助读者深入理解RAG并探讨其与微调的选择、评估方法及未来发展方向为实际应用提供指导。1、RAG 是什么图 1RAG 技术在 QA 问题中的案例一个典型的 RAG 案例如图所示。如果我们向 ChatGPT 询问 OpenAI CEO Sam Atlman 在短短几天内突然解雇随后又被复职的事情。由于受到预训练数据的限制缺乏对最近事件的知识ChatGPT 则表示无法回答。RAG 则通过从外部知识库检索最新的文档摘录来解决这一差距。在这个例子中它获取了一系列与询问相关的新闻文章。这些文章连同最初的问题随后被合并成一个丰富的提示使 ChatGPT 能够综合出一个有根据的回应。2、RAG 技术范式发展RAG 的概念首次于 2020 年被提出随后进入高速发展。RAG 技术的演进历程如图所示相关研究进展可以明确地划分为数个关键阶段。在早期的预训练阶段研究的焦点集中在如何通过预训练模型注入额外的知识以此增强语言模型的能力。随着 ChatGPT 的面世对于运用大型模型进行深层次上下文学习的兴趣激增这推动了 RAG 技术在研究领域的快速发展。随着 LLMs 的潜力被进一步开发旨在提升模型的可控性并满足不断演变的需求RAG 的研究逐渐聚焦于增强推理能力并且也探索了在微调过程中的各种改进方法。特别是随着 GPT-4 的发布RAG 技术经历了一次深刻的变革。研究重点开始转移至一种新的融合 RAG 和微调策略的方法并且持续关注对预训练方法的优化。图 2RAG 技术发展的科技树在 RAG 的技术发展过程中我们从技术范式角度将其总结成如下几个阶段1.朴素Naive RAG前文案例中展示了经典的 RAG 流程也被称为 Naive RAG。主要包括包括三个基本步骤索引 — 将文档库分割成较短的 Chunk并通过编码器构建向量索引。检索 — 根据问题和 chunks 的相似度检索相关文档片段。生成 — 以检索到的上下文为条件生成问题的回答。2.进阶的 RAGAdvanced RAGNaive RAG 在检索质量、响应生成质量以及增强过程中存在多个挑战。Advanced RAG 范式随后被提出并在数据索引、检索前和检索后都进行了额外处理。通过更精细的数据清洗、设计文档结构和添加元数据等方法提升文本的一致性、准确性和检索效率。在检索前阶段则可以使用问题的重写、路由和扩充等方式对齐问题和文档块之间的语义差异。在检索后阶段则可以通过将检索出来的文档库进行重排序避免 “Lost in the Middle ” 现象的发生。或是通过上下文筛选与压缩的方式缩短窗口长度。3.模块化 RAGModular RAG随着 RAG 技术的进一步发展和演变新的技术突破了传统的 Naive RAG 检索 — 生成框架基于此我们提出模块化 RAG 的概念。在结构上它更加自由的和灵活引入了更多的具体功能模块例如查询搜索引擎、融合多个回答。技术上将检索与微调、强化学习等技术融合。流程上也对 RAG 模块之间进行设计和编排出现了多种的 RAG 模式。然而模块化 RAG 并不是突然出现的三个范式之间是继承与发展的关系。Advanced RAG 是 Modular RAG 的一种特例形式而 Naive RAG 则是 Advanced RAG 的一种特例。图 3RAG 范式对比图3、如何进行检索增强RAG 系统中主要包含三个核心部分分别是 “检索”“增强” 和 “生成”。正好也对应的 RAG 中的三个首字母。想要构建一个好的 RAG 系统增强部分是核心则需要考虑三个关键问题检索什么什么时候检索怎么用检索的内容检索增强的阶段在预训练、微调和推理三个阶段中都可以进行检索增强这决定了外部知识参数化程度的高低对应所需要的计算资源也不同。检索增强的数据源增强可以采用多种形式的数据包括非结构化的文本数据如文本段落、短语或单个词汇。此外也可以利用结构化数据比如带有索引的文档、三元组数据或子图。另一种途径是不依赖外部信息源而是充分发挥 LLMs 的内在能力从模型自身生成的内容中检索。检索增强的过程最初的检索是一次性过程在 RAG 发展过程中逐渐出现了迭代检索、递归检索以及交由 LLMs 自行判断检索时刻的自适应检索方法。图 4RAG 核心组件的分类体系4、RAG 和微调应该如何选择除了 RAGLLMs 主要优化手段还包括了提示工程 (Prompt Engineering)、微调 (Fine-tuningFT)。他们都有自己独特的特点。根据对外部知识的依赖性和模型调整要求上的不同各自有适合的场景。RAG 就像给模型一本教科书用于定制的信息检索非常适合特定的查询。另一方面FT 就像一个学生随着时间的推移内化知识更适合模仿特定的结构、风格或格式。FT 可以通过增强基础模型知识、调整输出和教授复杂指令来提高模型的性能和效率。然而它不那么擅长整合新知识或快速迭代新的用例。RAG 和 FT并不是相互排斥的它们可以是互补的联合使用可能会产生最佳性能。图 5RAG 与其他大模型微调技术对比5、如何评价 RAGRAG 的评估方法多样主要包括三个质量评分上下文相关性、答案忠实性和答案相关性。此外评估还涉及四个关键能力噪声鲁棒性、拒答能力、信息整合和反事实鲁棒性。这些评估维度结合了传统量化指标和针对 RAG 特性的专门评估标准尽管这些标准尚未统一。在评估框架方面存在如 RGB 和 RECALL 这样的基准测试以及 RAGAS、ARES 和 TruLens 等自动化评估工具它们有助于全面衡量 RAG 模型的表现。表中汇总了如何将传统量化指标应用于 RAG 评估以及各种 RAG 评估框架的评估内容包括评估的对象、维度和指标为深入理解 RAG 模型的性能和潜在应用提供了宝贵信息。6、未来 RAG 还有哪些发展前景RAG 的发展方兴未艾还有哪些问题值得进一步去研究我们从三个方面进行展望1.RAG 的垂直优化垂直优化旨在进一步解决 RAG 当前面临的挑战。长下文长度。检索内容过多超过窗口限制怎么办 如果 LLMs 的上下文窗口不再受限制RAG 应该如何改进鲁棒性。检索到错误内容怎么处理怎么对检索出来内容进行过滤和验证怎么提高模型抗毒、抗噪声的能力。与微调协同。如何同时发挥 RAG 和 FT 的效果两者怎么协同怎么组织是串行、交替还是端到端Scaling-LawRAG 模型是否满足 Scaling LawRAG 是否会或是在什么场景下会出现 Inverse Scaling Law 的现象LLM 的角色。LLMs 可以用于检索用 LLMs 的生成代替检索或检索 LLMs 记忆、用于生成、用于评估。如何进一步挖掘 LLMs 在 RAG 中的潜力工程实践。如何降低超大规模语料的检索时延如何保证检索出来内容不被大模型泄露2. RAG 的多模态的拓展如何将 RAG 不断发展的技术和思想拓展到图片、音频、视频或代码等其他模态的数据中一方面可以增强单一模态的任务另一方面可以通过 RAG 的思想将多模态进行融合。3. RAG 的生态RAG 的应用已经不仅仅局限于问答系统其影响力正在扩展到更多领域。现在推荐系统、信息抽取和报告生成等多种任务都开始受益于 RAG 技术的应用。与此同时RAG 技术栈也在井喷。除了已知的 Langchain 和 LlamaIndex 等工具市场上涌现出更多针对性的 RAG 工具例如用途定制化满足更加聚焦场景的需求使用简易化进一步降低上手门槛的功能专业化逐渐面向生产环境。图 6RAG 的生态系统概览如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版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。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、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。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真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精心整理了一份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。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】