RAG 全称 Retrieval Augmented Generation，中文名检索增强生成。翻译成人话就是 AIGC 在回答问题或生成文本时，从指定的文档库中寻找相关信息来生成回答或文本，从而提高其预测的准确度。

Recap：LLM 可将事实知识存储在参数中，但是它们获取和精确操纵知识的能力有限，因此在执行“知识密集型”任务时，性能落后于特定任务的模型。具体问题包括 LLM 可能存在 知识局限性、数据安全性、通用模型易产生幻觉问题 ，解决方式为 In-Context Learning（Prompt Engineering）。

专业术语：

• 知识的局限性:现有的主流大模型的训练集基本都是构建于网络公开的数据，难以获取某一特定领域、实时性的、非公开的或离线的数据。

• 幻觉问题:在大模型自身不具备某一方面的知识或不擅长的场景，会产生幻觉问题。

• 数据安全性:完全依赖通用大模型自身能力的应用方案，需要将私域数据上传第三方平台，要在数据安全和效果方面进行取舍。

In-Context Learning 是随着语言模型规模不断提高后的新能力——通用的 “阅读理解” 能力。与模型训练和微调这类能“永久”改变模型认知的方法不同，In-Context Learning 是让模型“临时” 从 Context 中理解内容并产生回答。例如，想向 LLM 提问有关 Ray 文档的技术细节，可以先将全部文档输入 LLM 作为 Context 后再提问。OpenAI GPTs的 “Knowledge” 功能即为 In-Context Learning，支持用户上传 PDF、Doc 等“知识库”作为 Context 来定制 GPT。

然而，LLM 支持的 Context Length 有限，最新的 GPT-4 Turbo 最大支持 128K context (约 300页 pdf)，并且 Context Length 越大模型的推理效果越差、速度越慢。因此更有效的做法是，仅提供与 Prompt 有关的文档以缩短 Context Length，可通过“检索技术”实现，即 Retrieval-Augmented Generation， RAG。

RAG 是 In-Context Learning 的子集，即通过“检索技术”进一步提高 Context 与 Prompt 的相关性，从而提高模型回答的准确性，其流程图如下：

一、索引(Indexing)

1. 数据准备:原始数据被清洗和提取，转换为标准化的纯文本格式。

2. 分块(Chunking):将文本分割成更小、更易于管理的块。

3. 向量化(Embedding):通过嵌入模型将块转换为向量表示，以便进行相似性比较。

4. 索引创建:创建一个索引，存储文本块及其向量嵌入作为键值对，以便高效搜索。

二、检索(Retrieval):

1. 查询转换:使用与索引阶段相同的编码模型将用户查询转换为向量表示。2. 相似性计算:计算查询向量与索引库中向量化块之间的相似性分数。

3. 检索选择:根据相似性分数优先检索与查询最相关的前K个块。

三、生成(Generation):

1. 上下文融合:将查询和检索到的文档合并为一个丰富的提示，提供给LLM。

2. 响应合成:LLM根据这个上下文提示生成一个连贯的响应。

原始 RAG（Naive RAG） 

1. 索引(Indexing):使用简单的索引策略，如基于文档的索引。

2. 检索(Retrieval):采用基本的相似性检索方法，如基于向量的相似性匹配。

3. 生成(Generation):直接使用检索到的信息作为上下文，指导语言模型生成响应。局限性:检索质量可能不高，导致生成的响应不准确或不相关。生成过程可能缺乏对检索信息的有效整合，导致输出质量不稳定。

高阶 RAG（Advanced RAG）

1. 预检索策略:在检索前对数据进行优化，如使用query改写、滑动窗口、细粒度分割，优化数据索引，微调嵌入，动态嵌入

2. 重排名(Re-ranking):对检索结果进行重新排序，以突出最相关的信息。

3. 提示压缩(Prompt Compression):压缩检索到的信息，减少噪声，提高生成效率，压缩无关紧要的上下文，凸显关键段落，并缩短整体的 seqlen 以充分利用上下文窗口 改进:提高了检索的质量和效率;通过重排名和提示压缩等手段，优化了信 息的整合和生成过程。

模块化 RAG（Modular RAG）

1. 模块化架构:允许灵活地添加、替换或调整RAG过程中的模块，以适应特定问题

2. 新模块和模式:引入了搜索模块、记忆模块、任务适配器等，以及优化 RAG 管道的新方法。

3. 迭代和递归检索:采用迭代和递归策略来逐步深入地获取和整合信息。愿景:提供了更大的灵活性和多样性，能够更好地适应不同的任务和数据类 型。允许序列化管道或端到端训练，提高了模型的适应性和性能。

构建向量的核心为：将各类型数据通过 ML 模型映射至高维隐空间，空间向量即为 Embedding，使用向量间的“距离”表示相似度进行检索。高维空间的 Embedding 蕴含了更丰富的信息，详细描述了数据特征及数据间的关系，如图所示。

以 text-to-embedding 领域为例，常见的预训练模型包括 word2vec, BERT等，最终 text 和 embedding 的关系如图所示。

Embedding 向量检索主要包含两个阶段：构建向量索引和向量检索。

构建向量

1. 数据加载：数据源可能是 PDF、JSON、CSV等，数据类型可能为文本、图片等，后文以文本类型为例；

2. 文档分块（Chunking）：完整的文档会包含多个段落，每个段落所描述的概念不同，且会包含很多停用词（stop word）等无意义的单词，使用完整的文档计算 Embedding 难以精确描述文档内容。因此可以将文档分块（Chunking），每个分块独立计算 Embedding。 不同的分块方式决定了 Embedding 所表示的语义并最终影响 LLM 对文档整体的理解。例如文本文档可让 Chunk 间有一定的 overlap 保证上下文连贯性，而代码库由于代码除语义外也有结构关系，可将头文件、函数签名、函数体等代码内容分级后再切分（参考）。

3. Chunk 向量化：将 Chunk 映射至高维隐空间向量，即 Embedding。Embedding 的计算可用自主部署的模型，如 hugging face提供的各类 embedding model，也可调用 Embedding Model 服务（可在 langchain.embeddingpackages 中查阅各类 Embedding Model API）。

4. 向量索引构建 & 存储：为 Embedding 构建索引以便快速检索，与结构化数据的索引类似，Embedding 也有多种索引结构，例如下图的 k-nearest neighbor (knn) 构建图索引（Graph Index）。可用诸如 faiss的 lib 实现，但通常使用内置多种索引结构且提供持久化存储的向量数据库实现。

向量检索

根据用户 Prompt 检索出相关文档作为 Context