支持私有云部署
AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


企业 RAG 准确性提升全流程指南:从数据提取到精准检索

发布日期:2025-03-31 08:46:35 浏览次数: 1598 作者:大模型之路
推荐语

提升企业数据检索效率的必备指南,RAG系统准确性提升全流程解析。

核心内容:
1. PDF文件上传与记录创建,优化存储和处理流程
2. PDF解析与分块,提升文本提取和语义分割准确性
3. 嵌入模型应用与实体关系提取,增强检索精准度

杨芳贤
53A创始人/腾讯云(TVP)最具价值专家

在企业环境中,准确高效地从大量非结构化数据(如 PDF 文件)中检索信息至关重要。基于检索增强生成(RAG)的系统在这方面发挥着重要作用,但提升其准确性是一个复杂且具有挑战性的任务。本文将详细介绍提高企业 RAG 准确性的逐步指南,涵盖从数据提取到检索的各个关键步骤。

1. 从 PDF 中提取知识

1.1 上传与记录创建

用户上传 PDF 文件(未来还将支持音频和视频等其他文件类型)。系统将文件保存到磁盘(近期计划迁移到 AWS S3 存储桶以更好地满足企业需求),并在数据库中插入记录,创建处理状态条目。使用支持多种数据类型、混合搜索和单次检索的 SingleStore 数据库。同时,将处理 PDF 的任务放入后台队列,通过 Redis 和 Celery 进行异步处理和跟踪。

# Pseudo-codesave_file_to_disk(pdf)db_insert(document_record, status=”started”)queue_processing_task(pdf)

1.2 解析与分块 PDF

打开文件并验证大小限制和密码保护,若文件不可读则尽早终止处理。将文件内容提取为文本或 Markdown 格式,可使用 Llamaparse(来自 Llamaindex)替代之前的 PyMudf,其免费版每天支持 1000 次文档解析,并能更好地处理表格和图像提取。分析文档结构(如目录、标题等),利用 Gemini Flash 2.0 基于语义将文本分割成有意义的块,若语义分块失败,则采用简单的分割方式,并在块之间添加重叠部分以保持上下文连贯性。

# Pseudo-codevalidate_pdf(pdf)text = extract_text(pdf)chunks = semantic_chunking(text) or fallback_chunking(text)add_overlaps(chunks)

1.3 生成嵌入

使用嵌入模型将每个文本块转换为高维向量,例如使用 OpenAI 的 large ada 模型,维度设置为 1536。将文本块及其嵌入向量存储在数据库中,在 SingleStore 中,将文本块和文本分别存储在同一表的不同列,便于维护和检索。

# Pseudo-codefor chunk in chunks: vector = generate_embedding(chunk.text) db_insert(embedding_record, vector)

1.4 使用大语言模型提取实体和关系

这一步对整体准确性影响很大。将语义组织好的文本块发送给 OpenAI,通过特定的提示要求其返回每个块中的实体和关系,包括关键实体(名称、类型、描述、别名)。映射实体之间的关系,避免重复添加数据,将提取的 “知识” 存储在结构化表中。

# Pseudo-codefor chunk in chunks: entities, relationships = extract_knowledge(chunk.text) db_insert(entities) db_insert(relationships)

1.5 最终处理状态

若所有步骤处理正确,将状态更新为 “已完成”,以便前端随时轮询并显示正确状态;若处理失败,则标记为 “失败”,并清理临时数据。

# Pseudo-codeif success: update_status(“completed”)else: update_status(“failed”) cleanup_partial_data()

2. 知识检索(RAG 管道)

2.1 用户查询

用户向系统提交查询请求。

# Pseudo-codequery = get_user_query()

2.2 预处理和扩展查询

系统对查询进行规范化处理,去除标点符号、标准化空白字符,并使用大语言模型(如 Groq,处理速度更快)扩展同义词。

# Pseudo-codequery = preprocess_query(query)expanded_query = expand_query(query)

2.3 嵌入查询和搜索向量

使用与提取时相同的 ada 模型将查询嵌入为高维向量,在文档嵌入数据库中使用语义搜索(如在 SingleStore 中使用点积运算)查找最匹配的文本块。

# Pseudo-codequery_vector = generate_embedding(expanded_query)top_chunks = vector_search(query_vector)

2.4 全文搜索

并行进行全文搜索以补充向量搜索,在 SingleStore 中可使用 MATCH 语句实现。

# Pseudo-codetext_results = full_text_search(query)

2.5 合并和排序结果

将向量搜索和全文搜索的结果合并,并根据相关性重新排序,可调整返回的前 k 个结果数量(如 k = 10 或更高效果更好),过滤掉低置信度的结果。

# Pseudo-codemerged_results = merge_and_rank(top_chunks, text_results)filtered_results = filter_low_confidence(merged_results)

2.6 检索实体和关系

若检索到的文本块存在实体和关系,则将其包含在响应中。


# Pseudo-codefor result in filtered_results: entities, relationships = fetch_knowledge(result) enrich_result(result, entities, relationships)

2.7 生成最终答案

利用提示增强上下文,将相关数据发送给大语言模型(如 gpt3o - mini)生成最终响应。

# Pseudo-codefinal_answer = generate_llm_response(filtered_results)

2.8 返回答案给用户

系统将响应作为结构化 JSON 有效负载返回,并附带原始数据库搜索结果,以便在需要时进行调试和调整。

# Pseudo-codereturn_response(final_answer)

3. 性能优化与实现

在实践中,发现检索过程的响应时间过长(约 8 秒),主要瓶颈在于大语言模型的调用(每次约 1.5 - 2 秒),而 SingleStore 数据库查询时间通常在 600 毫秒以内。切换到 Groq 进行部分大语言模型调用后,响应时间缩短至 3.5 秒。为进一步优化,可尝试并行调用而非串行调用。

为简化管理和提高数据库响应时间,实现了单次检索查询的代码。通过 OpenAI 的 Embeddings API 生成查询嵌入向量,在 SingleStore 中执行混合搜索 SQL 查询,同时获取文本块、向量得分、文本得分、综合得分以及相关的实体和关系信息。

import osimport jsonimport mysql.connectorfrom openai import OpenAI# Define database connection parameters (assumed from env vars)DB_CONFIG = { "host": os.getenv("SINGLESTORE_HOST""localhost"), "port"int(os.getenv("SINGLESTORE_PORT""3306")), "user": os.getenv("SINGLESTORE_USER""root"), "password": os.getenv("SINGLESTORE_PASSWORD"""), "database": os.getenv("SINGLESTORE_DATABASE""knowledge_graph")}def get_query_embedding(query: str) -> list: """ Generate a 1536-dimensional embedding for the query using OpenAI embeddings API. """ client = OpenAI(api_key=os.getenv("OPENAI_API_KEY")) response = client.embeddings.create( model="text-embedding-ada-002", input=query ) return response.data[0].embedding # Extract embedding vectordef retrieve_rag_results(query: str) -> list: """ Execute the hybrid search SQL query in SingleStore and return the top-ranked results. """ conn = mysql.connector.connect(**DB_CONFIG) cursor = conn.cursor(dictionary=True) # Generate query embedding query_embedding = get_query_embedding(query) embedding_str = json.dumps(query_embedding) # Convert to JSON for SQL compatibility # Set the query embedding session variable cursor.execute("SET @qvec = %s", (embedding_str,)) # Hybrid Search SQL Query (same as provided earlier) sql_query = """SELECT  d.doc_id, d.content, (d.embedding <*> @qvec) AS vector_score, MATCH(TABLE Document_Embeddings) AGAINST(%s) AS text_score, (0.7 * (d.embedding <*> @qvec) + 0.3 * MATCH(TABLE Document_Embeddings) AGAINST(%s)) AS combined_score, JSON_AGG(DISTINCT JSON_OBJECT( 'entity_id', e.entity_id, 'name', e.name, 'description', e.description, 'category', e.category )) AS entities, JSON_AGG(DISTINCT JSON_OBJECT( 'relationship_id', r.relationship_id, 'source_entity_id', r.source_entity_id, 'target_entity_id', r.target_entity_id, 'relation_type', r.relation_type )) AS relationshipsFROM Document_Embeddings dLEFT JOIN Relationships r ON r.doc_id = d.doc_idLEFT JOIN Entities e ON e.entity_id IN (r.source_entity_id, r.target_entity_id)WHERE MATCH(TABLE Document_Embeddings) AGAINST(%s)GROUP BY d.doc_id, d.content, d.embeddingORDER BY combined_score DESCLIMIT 10; """ # Execute the query cursor.execute(sql_query, (query, query, query)) results = cursor.fetchall() cursor.close() conn.close() return results # Return list of retrieved documents with entities and relationships

4. 经验教训与未来改进方向

提高 RAG 准确性并保持低延迟是一项艰巨的任务,尤其是在处理结构化数据时。未来可从以下方面进行改进:

4.1 准确性提升 - 提取阶段

  • 外部化和试验实体提取提示
    尝试不同的提示策略,以更准确地从文本块中提取实体。
  • 在处理前总结文本块
    可能对提高准确性有显著影响。
  • 添加更好的失败重试机制
    确保在各个处理步骤出现故障时能够有效恢复。

4.2 准确性提升 - 检索阶段

  • 使用更好的查询扩展技术
    如自定义词典、特定行业术语等,提高查询的相关性。
  • 微调向量与文本搜索的权重
    目前已在配置文件中进行外部化设置,可进一步优化。
  • 添加第二个大语言模型进行重新排名
    但需要权衡延迟问题。
  • 调整检索窗口大小
    优化召回率与相关性之间的平衡。
  • 生成文本块级别的摘要
    避免将原始文本直接发送给大语言模型,减少处理负担。
通过以上逐步指南和持续改进的方向,企业可以不断优化 RAG 系统的准确性,更好地满足在大量非结构化数据中高效检索信息的需求,提升业务效率和决策质量。

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

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询