介绍如何利用DSPy实现RAG。

检索增强生成（RAG）是一种先进的方法论，它赋予语言模型（LLMs）访问丰富知识库的能力，能够搜索并筛选出相关信息，进而生成精准而精炼的回答。

RAG技术允许语言模型在没有直接训练数据的情况下，通过上下文学习（ICL）动态地吸收和应用实时知识。

尽管这一技术带来了在构建和优化RAG流程方面的额外挑战，但DSPy提供了一种简洁而高效的解决方案，使得设置RAG提示流程变得流畅且轻松。

下面是DSPy RAG应用序列的展示：

1 DSPy RAG程序

这里使用GPT-3.5（特别是其高性能版本gpt-3.5-turbo）和ColBERTv2检索器。

ColBERTv2检索器部署在一台免费服务器上，它拥有一个基于2017年维基百科摘要的搜索索引，这些摘要涵盖了当年文章的开篇段落。

在DSPy的设置中，语言模型和检索器模型的配置如下所示，展示了如何将其集成并优化以实现最佳性能。

import dspy

turbo = dspy.OpenAI(model='gpt-3.5-turbo')
colbertv2_wiki17_abstracts = dspy.ColBERTv2(url='http://20.102.90.50:2017/wiki17_abstracts')

dspy.settings.configure(lm=turbo, rm=colbertv2_wiki17_abstracts)

接下来加载测试数据：

from dspy.datasets import HotPotQA

# 加载数据集。
dataset = HotPotQA(train_seed=1, train_size=20, eval_seed=2023, dev_size=50, test_size=0)
# 告诉DSPy '问题' 字段是输入。其他任何字段都是标签和/或元数据。
trainset = [x.with_inputs('question') for x in dataset.train]
devset = [x.with_inputs('question') for x in dataset.dev]

len(trainset), len(devset)

然后创建签名。你可以看到上下文、输入和输出字段是如何定义的。

class GenerateAnswer(dspy.Signature):
    """Answer questions with short factoid answers."""

    context = dspy.InputField(desc="may contain relevant facts")
    question = dspy.InputField()
    answer = dspy.OutputField(desc="often between 1 and 5 words")

RAG流程被设计成DSPy模块，需要用到两种方法：

• __init__方法负责初始化，它声明了所需的子模块：dspy.Retrieve用于信息检索，dspy.ChainOfThought则用于按照我们的GenerateAnswer签名进行思考链的构建。

• forward方法定义了回答问题的具体流程。面对一个问题，该方法首先检索与之相关的前三段文本，然后利用这些文本作为上下文，生成精确的答案。

class RAG(dspy.Module):
    def __init__(self, num_passages=3):
        super().__init__()

        self.retrieve = dspy.Retrieve(k=num_passages)
        self.generate_answer = dspy.ChainOfThought(GenerateAnswer)
    
    def forward(self, question):
        context = self.retrieve(question).passages
        prediction = self.generate_answer(context=context, question=question)
        return dspy.Prediction(context=context, answer=prediction.answer)

这里有一个训练数据的例子：

Example({'question': 'At My Window was released by which American singer-songwriter?', 
'answer': 'John Townes Van Zandt'}) 
(input_keys={'question'}), 

Example({'question': 'which  American actor was Candace Kita  guest starred with ', 
'answer': 'Bill Murray'}) 
(input_keys={'question'}), 

Example({'question': 'Which of these publications was most recently published, Who Put the Bomp or Self?', 
'answer': 'Self'}) 
(input_keys={'question'}), 

2 执行程序

接下来，程序将针对一个问题进行运行。

# 你可以向这个简单的RAG程序提出任何问题。
my_question = "What castle did David Gregory inherit?"

# 获取预测。这包含`pred.context`和`pred.answer`。
pred = compiled_rag(my_question)

# 打印上下文和答案。
print(f"Question: {my_question}")
print(f"Predicted Answer: {pred.answer}")
print(f"Retrieved Contexts (truncated): {[c[:200] + '...' for c in pred.context]}")

得到响应：

Question: What castle did David Gregory inherit?
Predicted Answer: Kinnairdy Castle
Retrieved Contexts (truncated): ['David Gregory (physician) | David Gregory (20 December 1625 – 1720) was a Scottish physician and inventor. His surname is sometimes spelt as Gregorie, the original Scottish spelling. He inherited Kinn...', 'Gregory Tarchaneiotes | Gregory Tarchaneiotes (Greek: Γρηγόριος Ταρχανειώτης , Italian: "Gregorio Tracanioto" or "Tracamoto" ) was a "protospatharius" and the long-reigning catepan of Italy from 998 t...', 'David Gregory (mathematician) | David Gregory (originally spelt Gregorie) FRS (? 1659 – 10 October 1708) was a Scottish mathematician and astronomer. He was professor of mathematics at the University ...']

3 总结

对DSPy实现的初步观察表明：

• 代码干净且简洁。
• 利用丰富的参数，可以方便地创建初始的RAG应用程序。
• 拥有一个强大的数据摄取流程，这为数据处理提供了极大的便利，是个值得考虑的优势。
• 内置的流程和检索评估机制，使性能监控和优化变得更加方便。
• 作为一个快速独立的实现，其在简化实现方面的表现确实令人印象深刻。
• 最后，从下面的图表可以看出，LangChain、LlamaIndex和DSPy在GitHub社区中的活跃度和影响力。