前言
想让大语言模型不再胡说八道,检索增强生成(RAG)是一个可靠的解决方案。但很多人对 RAG 的印象可能是:需要复杂的架构、繁琐的组件配置、以及大量的调优工作。
事实上,通过一个不到 200 行的 Python 程序,我们就能完整展示 RAG 是如何工作的。在这篇文章中,你将看到:
- 如何用最简单的代码实现一个完整的 RAG 系统
- 每个核心组件(检索器、向量数据库、大语言模型)是如何协同工作的
- 最关键的是:你会明白为什么检索的准确性决定了整个系统的表现
我们将通过 LangChain 框架来实现这个示例。当你看完这篇文章,不仅能理解 RAG 的工作原理,还能知道在实际应用中应该把注意力放在哪里。
您可以在文章末尾找到本文中的完整程序。
RAG 的工作原理
RAG 系统通过以下 5 个关键步骤来工作:
1. 准备文档
首先,我们需要准备知识库文档。在示例代码中,我们创建了一个包含宠物相关信息的简单文档集合:
每个文档都包含实际内容(page_content)和元数据(metadata)。元数据可以用来标记文档的来源、类型等信息。
2. 向量化存储
下一步是将文档转换为向量并存储到向量数据库中:
这个步骤中:
- 使用 AzureOpenAIEmbeddings 将文本转换为向量
- 使用 Chroma 向量数据库存储这些向量
- 每个文档的内容都被转换为高维向量,便于后续相似性搜索
3. 创建检索器
创建一个检索器(retriever)用于后续的文档检索:
这里我们:
- 使用 similarity 搜索方式,基于向量相似度检索文档
- 设置 k=1 表示每次检索返回最相关的一个文档
4. 准备提示模板
定义用于 RAG 的标准提示词模板:
提示词模板:
- 清晰定义了问题、上下文和答案的结构
- 指导模型使用检索到的上下文来生成回答
5. 实现 RAG 链
最后,将所有组件组合成完整的 RAG 链:
在这个实现中,检索器(retriever)和 embeddings 引擎扮演着核心角色:
- 检索器的关键作用:
- 检索器负责理解用户问题并找到相关文档
- 它通过 embeddings 引擎将问题转换为向量
- 在向量空间中查找最相似的文档
- 将找到的相关文档作为上下文提供给大模型
- 工作流程:
- 用户提出问题(如"最好的宠物是什么?")
- 检索器利用 embeddings 进行向量相似度搜索
- 找到最相关的文档(比如关于不同宠物的描述)
- 大模型根据这些相关文档和原始问题生成最终答案
- 答案生成过程:
- 检索器找到相关文档
- 文档内容被格式化为上下文
- 大模型根据上下文和问题生成答案
- 最终答案会基于检索到的具体知识,而不是模型的泛化能力
这个过程充分展示了检索增强生成(RAG)的核心理念:检索器负责找到相关信息,而大模型负责理解和生成答案。这种分工使得系统能够提供更准确、更有依据的回答。需要特别强调的是,检索器的准确性直接决定了最终答案的质量 —— 如果检索器无法提供正确的上下文信息,即使是最强大的语言模型也无法生成准确的答案。这就像是在考试中,如果提供给学生的参考资料是错误的或不相关的,那么无论学生多么优秀,也无法得出正确的答案。因此,在构建 RAG 系统时,确保检索器的准确性和可靠性是至关重要的。
RAG 的局限性
虽然 RAG 是一个强大的架构,但也存在一些局限:
- 向量相似度的局限:基于向量相似度的检索可能无法捕捉到语义层面的细微差别,有时会检索到表面相似但实际不相关的内容。
- 上下文窗口限制:由于模型的输入长度限制,我们往往只能提供有限的上下文内容,可能会遗漏重要信息。
- 检索质量依赖于文档质量:如果知识库文档质量不高或不完整,即使检索系统工作正常,也无法提供好的答案。
- 计算成本:向量化和存储大量文档需要较大的计算和存储资源,特别是在大规模应用中。
总结
通过这个简单的程序,我们不仅看到了 RAG 系统的完整实现,更重要的是理解了每个组件的作用和importance。特别是检索器的准确性,它直接决定了整个系统的表现。在实际应用中,除了选择合适的大语言模型,我们更应该关注如何提升检索的准确性,包括:
- 优化文档的切分策略
- 选择合适的 embedding 模型
- 调整向量检索的参数
- 改进相似度计算方法
只有确保检索器能够准确找到相关文档,RAG 系统才能充分发挥其潜力,帮助大语言模型生成更准确的答案。
附:完整程序代码