Google Gemini 做 RAG 的4大阶段10个步骤

从B站看到一位小姐姐分享《基于 Gemini 和向量搜索的生成式推荐》，里面提到做RAG的流程，我总结为4大阶段10个步骤如下：

一、知识准备阶段

1. 文档收集与预处理

首先收集大量的相关文档，即知识。这些文档可以是文本文件、PDF、网页、图片等多种形式。收集完成后，对文档进行预处理，包括清洗、去重等，确保数据的质量。其中可以做元数据提取，提取文件名、章节title、图片alt信息等，也利用OCR等技术，将PDF、图片等内容数字化。

2. 文档内容分块

将文档分割成若干个数据分块，以便于后续的处理和检索。有多种分块方式，比如固定大小分块或意图分块等。固定大小分块要注意增加“块”的冗余量，否则会损失很多语义，比如“我们今天晚上应该去吃个大餐庆祝一下”，可能被分在两个“块”里面——“我们今天晚上应该”、“去吃个大餐庆祝一下”，这样对检索是非常不友好的。增加“块”的冗余，就是一头一尾保留相邻“块”头尾的内容。

3. 向量数据库存储

将分块后的内容转化为向量，存储到向量数据库中，即embedding，以便于快速检索。

二、问题处理阶段

4. 用户交互与问题处理

针对用户问题，使用大模型的能力进行拼写检查和内容改写，在保证问题原意的前提下，使问题变成一个适合向量检索的问题。比如“用户提问：我的背景调查一直没有结果。”改写为“为什么我的背景调查要花费这么长时间。”

5. 问题向量化

将处理后的用户问题转化为向量，以便与向量数据库中的向量进行相似度检索和语义匹配。

三、问题召回阶段

6. 内容召回

根据匹配结果，召回与问题最相关的topN个文档。为保证检索结果全面性和准确性，可能会混合使用相似度检索、关键词检索、SQL检索等多种技术。

7. 合规处理

根据既定的安全规则，对召回文档进行审查处理，确保信息的安全性和合法性，包括用户是否有权接触该信息。

8. 生成回答

将用户问题、召回的合规文档等内容组成提示词提供大模型，生成回答。

四、答案优化阶段

9. 多轮检索优化

为了保证答案的准确性和完整性，系统可能需要进行多轮检索，对每一轮生成的答案进行比较，判断是否需要修改或追加答案。

这里的原因是“块”的数量很多，每次检索的维度不一定是最优的，所以需要把相关度、匹配度等因素做一些重新调整，得到更符合业务场景的排序。可能有一个内部判断器来评审相关度，触发重排序。

10. 最终答案呈现

经过多轮检索后，最终让大模型生成一个经过检验的最准确的答案，呈现给用户。