粤ICP备17114055号
微信扫码
与创始人交个朋友
支持私有云部署
我要投稿
在把AI大模型能力接入微信后，发现很多朋友想要落地在类似客服的应用场景。但目前大模型存在幻觉，一不留神就胡乱回答，这在严肃的商用场景下是不可接受的。
当我想要解决此问题时，发现虽然资料很多，但是多数太偏“技术向”，对于很多和我一样的非技术从业者来说，犹如天书一般。有落地需求的朋友们，即使完成了通路搭建，也无法真正的应用。
落地场景，幻觉是不得不直面的问题。而非技术从业者的小白们，很难找到一个“说人话”的文章，让他们完全了解并应用。
而我对此比较感兴趣，同时作为产品经理，有一些用户思维和技术基础。因此我斗胆在整理、学习了多位前辈的成果后，写一篇讲给“小白”们的教程。
⚡ 以下内容，如有错漏，欢迎留言补充、批评、指正。
如果我直接讲理论部分，我相信小白强迫自己看了前200字就会关掉窗口。因此，我们先将这个过程具象化。
以下是一个问答机器人的界面。这是一个示例，你可以把右侧的对话当做是微信的对话框，这些对话交互是可以在任何一个受支持的窗口下实现的。
上方页面左侧画红框的地方，是这个“问答机器人”的配置，右侧是与“机器人”的一轮对话。
模型、提示词、知识库 三者可以想象成：
大语言模型：是一个学习过无数本书、拥有无穷智慧的人。他读过无数的书、看过无数的段子，因此对公共知识、学识技能、日常聊天十分擅长。然而，在工作场景下，只会聊天侃大山可不行，你想让他帮你干活。这个时候，就需要“提示词”出场了，
提示词：是你告诉这个全知全能的人，他是一个什么样的角色、他要专注于哪些技能，让他能够按照你的想法，变成一个你需要的“员工”。
知识库：相当于你给这个“聪明”员工的发放了一本工作手册。即使是看过再多的书、浏览过再多的文字，也不会准确的知道见到老板娘过来吃饭要打三折，张梦飞过去吃饭要打骨折。而知识库，就是把这些内容写在了工作手册上。让这个聪明的员工，见到有人来的时候，就翻一翻手册，然后再做出反应。
我的设定：
图中右侧是一个十分简单的问答，
我问：“你是谁？你和子乔在台球厅吵架那次是为了什么吵架？”
她的回复是：“我是陈美嘉，那次在台球厅和吕子乔吵架是因为他约会被人撞见，我讽刺他脸大影响信号，他还反击我。后来谈到过去的事情，我指责他忘恩负义，他就说我平。最后，我伤心地说要分手，因为他之前甩过我。”
其中，她是陈美嘉，这里是人设中的设定。吵架的经过是知识库中的内容。
在我提问了之后，大模型去知识库里找到了相关内容，然后回复了我。这就是一个简单的正确回复的demo示例。
然而，我们会发现，有时候她的回答会十分不准确。
图二明显回答的牛头不对马嘴。
图三是知识库截图，其中是有“一菲为美嘉找了一份助教工作”的内容的。
但是回答这个问题时，AI并没有根据正确的知识库内容回答。
这，就是基于知识库问答中的一个非常常见的错误场景。在其他情况下，甚至有可能出现报价错误、胡编乱造等等。这在严肃场景中，是不能接受的出错。
现在应该能够直观的理解，为什么需要让大模型根据知识库回答的更加准确、更符合我们的要求。
在AI领域中，优化AI更准确回答问题的过程，有一个更加专业的术语，叫做RAG。接下来，咱们进入正题，一步一步探索，如何优化回答。
如果我们要优化幻觉问题和提高准确性，就务必要了解清楚从“问题输入”--“得到回复”，这个过程中，究竟发生了什么。然后针对每一个环节，逐个调优，以达到效果最佳化。
因此，我们先深入其中了解问答全貌。
RAG（Retrieval-Augmented Generation），即检索增强生成，是一种结合信息检索和文本生成能力的技术，它由两部分组成：一个“检索器”和一个“生成器”。检索器从外部知识中快速找到与问题相关的信息，生成器则利用这些信息来制作精确和连贯的答案。这种结合使得RAG非常适合处理需要广泛知识的任务，如问答系统，能够提供详细而准确的回答。
简单来说，就是通过检索的模式，为大语言模型的生成提供更多信息，从而使大模型生成的答案更符合要求。
可以把向量想象成空间中的点位，我们对话交流中的，每个词或短语都在这个空间中对应一个向量点位。
当系统需要找到与一个特定词或短语相关的内容时，它会查看这个词在虚拟空间中点的位置，寻找直线距离最近的点。在这个空间中，距离越近的点，代表词义或内容上的关联度越高。
简单来说，通过比较这些点的距离，检索器可以快速找到语义上接近的词语或信息，从而高效地检索相关内容。这就像在一个城市地图上找最近的餐馆，距离越近，越可能是你想去的地方。
理解了向量，我们来看看收到一个对话时，RAG的完整的工作流程。
RAB的处理过程简单可分为四个阶段：
①、问题解析阶段
②、知识库检索阶段
③、信息整合阶段
④、大模型生成回答
①、问题解析阶段：
1、输入向量化
问题会被模型预处理，然后输入进嵌入模型（Embedding Modle）转化为向量。以便后续检索时，能够把问题语句与向量数据库中的其他上下文信息进行比对。
文本预处理： 这包括去除无关字符、标准化文本（例如将所有字符转换为小写）、分词等，以清洁和准备文本数据。 嵌入表示： 将预处理后的文本（词或短语）转换为向量。这通常通过使用预训练的嵌入模型来完成，如Word2Vec、GloVe、BERT等。这些模型将每个词或短语映射到一个高维空间中的一个点（即向量）。 特征提取： 对于整个问题句子，可能会应用进一步的特征提取技术，比如句子级别的嵌入，或使用深度学习模型（如BERT）直接提取整个句子的表示。这个表示能够捕捉句子的上下文信息，不仅仅是单个词。 向量优化： 在某些情况下，问题的向量表示可能会根据具体任务进行优化，例如通过调整模型参数来更好地与检索系统的其他部分协同工作。
②、知识库检索阶段：
此阶段，首先需要有一个知识库，那么知识库是如何完成制作，并被检索的呢？
我们需要先了解一个概念，在大模型的检索中，并不是依靠传统的关键字去搜索。而是依靠问题在空间中的向量位置，去寻找距离这个向量最近的其他词句，然后完成检索。
所以，要在向量中进行检索，我们的知识库其实也是被转化成了了一个巨大的向量库。
1、文档向量化：
知识库中的文档也需要被转换成向量形式。这使得文档内容能够在数值级别上与问题向量进行比较。在我们使用知识库工具时，上传文档就会帮助我们完成文档的向量化。这一步就是依靠Embedding Modle完成的。
2、知识库检索：
根据前一步输出的问题向量，检索器开始在一个庞大的向量空间中搜索与问题相关的内容（既向量距离最接近）。检索器根据问题的关键词和上下文，选出最相关的信息片段。
在这一步，检索器从知识库里，检索到了一些和用户问题最相关的内容。
相似性计算： 使用一种相似性度量方法（如余弦相似性）来计算问题向量和各个文档向量之间的相似度。这一步是为了找出与问题内容最为接近的文档。
排序与选择： 根据相似性得分，所有文档会被排序。系统通常会选择得分最高的几个文档，认为这些文档与问题最相关。
信息抽取： 从选定的高相关性文档中抽取具体的信息片段或答案。这可能涉及到进一步的文本处理技术，如命名实体识别、关键短语提取等。
③、信息整合阶段：
1、信息融合：
这里将接收到上一步中检索到的全部信息。然后把这些信息连带用户问题和系统预设，被整合成一个全新的上下文环境，为生成回答提供基础。
信息筛选与确认： 首先，系统会对检索器提供的信息进行评估，筛选出最相关和最可信的内容。这通常涉及到对信息的来源、时效性和相关性进行验证。
消除冗余： 在多个文档或数据源中，可能会有重复的信息。系统需要识别和去除这些冗余内容，以防在生成回答时出现重复或相互矛盾的信息。
关系映射： 系统将分析不同信息片段之间的逻辑和事实关系，如因果、对比、顺序等。这有助于构建一个结构化的知识框架，使得信息在语义上更加连贯。
上下文构建： 将筛选和结构化的信息组织成一个连贯的上下文环境。这通常包括对信息进行排序、归类和整合，使其形成一个统一的叙述或解答框架。
语义融合： 在必要时，系统可能会进行语义融合，即合并意义相近但表达不同的信息片段，以减少语义上的重复并增强信息的表达力。
预备生成阶段： 最后，整合好的上下文信息被编码成适合生成器处理的格式，如将文本转化为适合输入到生成模型的向量形式。
④、大模型生成回答
1、生成器：
最终全新的上下文被一起传递给大语言模型。随后，大语言模型（LLM）根据提供的信息来回答问题。
因为这个上下文包括了检索到的信息，因此大语言模型相当于同时拿到了问题和参考答案，通过LLM的全文理解，最后生成一个准确和连贯的答案。
上下文向量化： 将整合后的上下文信息转化为向量。这通常通过一个预训练的语言模型进行，例如BERT或GPT。这些向量能够捕捉上下文中的语义信息，为生成回答提供必要的输入。
生成模型激活： 使用一个基于Transformer的生成模型（如GPT）接收向量化的上下文。这个模型利用自注意力机制来理解上下文中的各种关系和信息。
逐词生成回答： 生成模型开始逐词构建回答。模型在每一步生成一个词，同时考虑到之前已生成的词和整个上下文的语义。这个过程是迭代的，直到整个回答构建完成。
语言流畅性和准确性优化： 在回答生成的过程中，模型会优化语言的流畅性和逻辑性。确保生成的文本不仅在语法上正确，而且在逻辑上连贯，与用户问题紧密相关。
回答评估与调整： 完成初步生成后，系统可能会对回答进行评估，检查其准确性、相关性和用户满意度。如果需要，可以对回答进行微调或完全重新生成。
⑤、输出回答：
最终，生成的答案呈现给用户。
简要总结RAG的全流程：
问题解析阶段：
知识库检索阶段：
知识库中的文档同样向量化后，比较问题向量与文档向量，选择最相关的信息片段。抽取相关信息传递给下一步骤
信息整合阶段：
接收检索到的信息，与上下文构建形成融合、全面的信息文本。整合信息准备进入生成阶段。
大模型生成回答：
看理论有点懵是吗？为了更理解，我们来一起看看实例。
这是调试预览中的对话示例。
在回复中，可以看到这里有写11条引用，3条上下文，我们具体来看下，有什么处理。
一、知识库检索部分
1、把输入的问题，通过Embedding做了向量化
2、使用qwen语言模型把问题做了优化、添加了接近的检索词
3、知识库向量检索，抽取条件包含相似度0.85
4、通过检索一共抽取出了11个内容块（chunk）
二、大模型对话部分
5、此处将①②一起传递给了LLM（大语言模型），最终得到了③AI的回答。
现在再来看这四步操作，是否对“知识库+LLM”的问答流程有更加清晰地认知呢？
①、问题解析阶段
④、大模型生成回答
下一篇我们就开始要从这些环节入手，手把手教程一起实操，对每一个环节进行逐项优化！
⚡ 以上内容，如有错漏，欢迎留言补充、批评、指正。
⚡ 以上如果对你有帮助，恳请请转发、在看、点赞三连支持
⚡ 下篇实操优化马上就来，欢迎关注↓↓↓
53AI，企业落地应用大模型首选服务商
产品：大模型应用平台+智能体定制开发+落地咨询服务
承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2024-09-20
Claude3.5新的RAG方法：上下文检索
2024-09-20
【AI+知识库】商业化问答场景，让AI回复更准确，一篇专为所有“小白”讲透RAG的实例教程（下篇）
2024-09-20
【GoMate框架案例】讯飞大模型RAG智能问答挑战赛top10 Baseline
2024-09-20
融合ChatGPT o1与TRIZ以解决复杂技术问题
2024-09-20
快手B端商业化技术探索：基于LLM构建智能RAG与Agent平台
2024-09-20
RAG高级优化：一文看尽query的转换之路
2024-09-20
Agent+RAG+大纲驱动，AI创作新风暴
2024-09-20
RAG+Agent人工智能平台：RAGflow实现GraphRA知识库问答，打造极致多模态问答与AI编排流体验
2024-07-18
2024-07-08
2024-07-09
2024-06-20
2024-05-05
2024-07-09
2024-06-13
2024-07-07
2024-07-07
2024-07-14
2024-09-20
2024-09-16
2024-09-12
2024-09-11
2024-09-10
2024-09-09
2024-09-07
2024-09-04
回到顶部