我要投稿

CRAG技术：重塑检索增强型语言模型的未来

发布日期：2024-06-29 21:25:56 浏览次数： 2092 来源：顶层架构领域

在数字化时代，人工智能（AI）的每一次技术革新都可能引领行业的变革。CRAG（Chain of Thought Retrieval-Augmented Generation）技术，作为AI领域的新星，以其独特的检索增强型能力，为自然语言处理（NLP）带来了前所未有的深度和精准度。

本文将带您深入了解CRAG的创新之处，以及它如何推动AI技术的边界。

一、传统RAG的局限与CRAG的创新

RAG技术通过结合检索与生成，极大地提升了语言模型在理解和生成自然语言方面的能力。然而，随着技术的发展，其在文档与查询相关性评估上的不足逐渐暴露。

CRAG技术的提出，正是为了解决这些问题，通过引入检索评估器，实现了对检索文档与查询相关性的精确评估，从而显著提升了模型的性能。

比如：

我会给你一个小型场景，假设我们正在参加一个开卷考试。

我们遵循的策略，比如说对于每个主题，我们查阅书籍并确定相关部分。在形成观点之前，将收集到的信息分为三组：正确，错误和模糊。分别处理每种类型的信息。然后，根据这些处理过的信息，进行编译和总结。在考试试卷上写下我们的答复。这就是CRAG所做的。

二、CRAG的关键思想流程

CRAG的三个关键组成部分：检索评估器，知识提炼算法和知识搜索

CRAG推理概述：构建了一个检索评估器来评估检索到的文档与输入的相关性，并根据此估计一个置信度，基于此可以触发不同的知识检索操作{正确，错误，模糊}。

有3种可能的判断结果。

如果是**正确**，这意味着检索到的文档包含了查询所需的必要内容，然后使用知识提炼算法重写检索到的文档。
如果检索到的文档是**错误**的，这意味着查询和检索到的文档是不相关的。因此，我们不能将文档发送给LLM。在CRAG中，使用网页搜索引擎检索外部知识。
对于**模糊**的情况，这意味着检索到的文档可能接近但不足以提供答案。在这种情况下，需要通过网页搜索获取额外的信息。因此，既使用知识提炼算法也使用搜索引擎。

最后，处理过的信息被转发到LLM以生成响应。

CRAG的工作流程是对传统RAG方法的一次系统性优化。它通过以下步骤，确保了信息的准确性和深度。

检索评估器

检索评估器显著影响后续程序的结果，对确定整个系统的性能至关重要。

CRAG利用T5-large模型作为检索评估器，对检索到的文档进行细致的相关性评分。这一过程类似于学术研究中的文献筛选，确保只有最相关的信息被用于后续的知识提炼。

知识提炼算法

对于检索到的相关文档，CRAG设计了一种分解然后重新组合的知识提取方法，以进一步提取最关键的知识陈述。

CRAG进一步通过启发式规则，将文档拆解为细粒度的知识单元，并筛选出最具相关性的知识点重新组合，以形成内部知识。这一过程不仅提高了信息的利用效率，也加深了模型对知识的理解。

知识搜索

在检索到的文档不足以回答问题时，CRAG通过网页搜索API获取额外信息，确保生成的答案全面且准确。所以，我们不是使用错误的块，而是使用互联网上的来源进行最终答案生成。这一机制体现了CRAG技术的灵活性和适应性。

下面我们通过LangGraph来实现CRAG检索增强

三、LangGraph

LangGraph作为CRAG实现的框架，提供了一个直观且强大的图结构，优化了状态管理和节点间的协同。这一框架不仅简化了CRAG模型的构建过程，也为未来的扩展和优化提供了可能。

LangGraph的主要特点包括：

节点：任何函数或Langchain可运行对象，如工具。
边：定义节点之间的方向。
有状态的图：主要类型的图。它旨在在通过节点处理数据时管理和更新状态对象。

四、实践案例分析

为了更好地理解CRAG技术，本文通过具体的代码示例和操作步骤，展示了CRAG模型的搭建过程：

流程说明：

作为第一次尝试，让我们跳过知识提炼阶段。如果需要，可以将其作为节点添加回来。
首先输入问题，进行检索。如果任何文档不相关。
然后重写问题，我们选择用网页搜索来补充检索。
这里我们将使用Tavily Search进行网页搜索。
最后，通过网页搜索的查询返回，进行生成答案。

流程图如下：

环境配置：

! pip install langchain_community tiktoken langchain-openai langchainhub chromadb langchain langgraph tavily-python

具体代码示例：

总结与展望：

CRAG技术以其创新的检索评估机制和深度知识提炼，不仅提升了语言模型的准确性，也为AI领域的发展开辟了新的道路。随着技术的不断演进，CRAG有望在未来解决更多复杂问题，推动人工智能向更深层次发展。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-03-07

r1-reasoning-rag：一种新的 RAG 思路

2025-03-05

提高企业 RAG 准确性的分步指南

2025-03-05

DeepSeek-R1 x Agentic RAG：构建带"深度思考"开关的知识研究助理｜深度长文

2025-03-05

通过Milvus内置Sparse-BM25算法进行全文检索并将混合检索应用于RAG系统

2025-03-05

本地部署DeepSeek R1 + Ollama + XRAG：三步搭建RAG系统，并解锁全流自动化评测

2025-03-05

Graph RAG 迎来记忆革命：“海马体”机制如何提升准确率？

2025-03-04

Windows 部署 DeepSeek 本地 RAG 保姆教程：低配秒变AI工作站，断网也能稳如老狗！

2025-03-04

DeepSearcher深度解读：Agentic RAG的出现，传统RAG的黄昏

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

一文彻底搞懂大模型 - RAG（检索、增强、生成）

2024-09-04

全网最全国内Agent平台深度测评：扣子、Dify、FastGPT，谁是你的Agent开发首选？

2024-10-27

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

2024-07-18

RAGFlow：基于OCR和文档解析的下一代 RAG 引擎

2024-05-05

RAG框架，都在这了!

2024-06-20

RAG 高效应用指南：Embedding 模型的选择和微调

2024-06-13

深入解析 Graph RAG：提升语言模型问答能力的创新策略

2024-07-09

微软开源的GraphRAG解读

2024-07-09

基于Llama 3 构建RAG语音助手：将本地 RAG 与 Qdrant、Whisper 和 LangChain 集成

2024-05-19

Prompt工程师必备：复旦重磅 | 最佳RAG实践长什么样的？

2024-07-07

大家都在问

Graph RAG 迎来记忆革命：“海马体”机制如何提升准确率？

2025-03-05

谷歌放大招！RAG 技术已死？

2025-03-03

知识库对决：知乎、钉钉、腾讯、谷歌，谁更懂你的资料？

2025-03-02

直接拿大模型当搜索页(SERP)会怎样？

2025-02-28

传统RAG的局限被打破！三个轻量级智能体分工协作，如何让问答系统更精准？

2025-02-24

RAG、LangChain、Agent 到底有啥关系？

2025-02-23

解锁AI新技能！揭秘检索增强生成（RAG）：如何让AI更懂你的业务？

2025-02-15

DeepSeek-R1超高幻觉率解析：为何大模型总“胡说八道”？

2025-02-12

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB