引言

近来，LLM（大语言模型）的火热重塑了诸多行业和领域。其中，基于文档的知识问答系统可以说是当前落地最最直接的。之所以这么说，是因为企业内部运作离不开各种文档的使用，企业对外的产品也自然离不开相关说明文档的使用。没有 LLM 之前，这些文档都需要经过专门培训的员工才能发挥它的作用。如今，我们借助 LLM 强大的信息总结能力，完全可以将这些文档作为一个知识库，LLM 作为万能客服，根据文档内容快速准确地回答用户提问。

通过将不同的文档接入LLM，我们可以打造不同的客服角色，包括对内的新员工入职指导、员工寻找内部产品文档和对外解答客户产品疑问等等。上述的实现，均离不开 RAG 的使用。那么 RAG 是什么呢？请看下面的讲解。

RAG 是什么？

RAG 是 Retrieval Augmented Generation 的缩写，中文译为：检索增强生成。一般在 LLM 原始数据集的基础上，通过加入外部数据（如本地知识库、企业信息库等）来对 AI 模型的“检索”和“生成”能力进行加持，以提高信息查询和生成质量。

当使用LLM时，经常会遇到时效性和幻觉问题，特别是在某些较为专业领域，这可能导致一些不相关或混乱的结果。RAG与LLM的结合使用可以有效地解决这两个问题，使得在这些领域中的应用更为可靠和准确。

 RAG的核心在于如何高效地从文档中提取内容。因为只有先将文档中的文本信息提取出来，才能供LLM整合并产生输出。然而，企业文档的样式千变万化，其中许多可能是图像格式或者扫描版的PDF等，这使得传统的技术难以快速有效地提取其中的文本内容。因此，这就需要利用基于深度学习的光学字符识别（OCR）技术。

RAG 必备：Rapid⚡️OCR

RapidOCR^[1] 是RapidAI下明星项目，目前已知运行速度最快、支持最广泛的多平台多语言OCR。它完全开源免费，并支持离线快速部署。

我们启动这个项目的初衷：PaddleOCR的工程化尚有提升空间，为了方便用户在各种平台上进行OCR推理，我们将PaddleOCR中的模型转换为ONNX格式，并利用Python/C++/Java/C#将其移植到各个平台，方便大家使用。

RapidOCR名称解释为：轻快好省并智能。基于深度学习的OCR技术，主打人工智能优势及小模型，以速度为使命，效果为主导。

RapidOCR Github仓库目前已有2k+ stars。其中rapidocr_onnxruntime库的下载量已经有?385k+，且持续增长中。这无不说明RapidOCR已经得到了大家的认可和广泛使用。

据不完全统计，RapidOCR 已经被许多 RAG 项目所使用，举例如下：

• Langchain-Chatchat^[2]（27.9k stars）
• DB-GPT^[3] (432 stars)
• api-for-open-llm^[4] (2k stars)
• ChatLLM^[5] (392 stars)
• OpenAdapt^[6] (536 stars)
• Knowledge-QA-LLM^[7] (169 stars)

• RapidStructure^[8]: 版面分析 | 表格识别 | 文档方向分类
• RapidOCRPDF^[9]: PDF 内容提取
• RapidLaTexOCR^[10]: 公式识别
• TableStructureRec^[11]: 表格识别
• ExtractOfficeContent^[12]:  Word/PPT/Excel 内容提取

写在最后

以上所介绍的相关套件几乎涵盖了RAG文档处理的各个方面。通过简单的整理和二次开发，您就能轻松地构建自己的RAG系统。我们鼓励大家积极使用并关注这些套件，同时我们也将持续更新和维护它们。?

点击文末“阅读原文”即可跳转到 RapidOCR 官方文档，快快开始您的OCR旅程吧！

参考资料