2026年7月9日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

知识库越大向量检索准确性越低!RAG应用的陷阱

发布日期:2024-09-29 18:39:27 浏览次数: 3204
作者:AI工程化

微信搜一搜,关注“AI工程化”

在构建知识库的过程中,我们除了关注内容解析、文本分块层面对RAG性能影响之外,知识库大小会对RAG性能会有什么样的影响呢?AI工具公司EyeLevel.ai的数据科学家Daniel Warfield和前IBM Watson高级工程师Dr. Benjamin Fletcher博士在RAG技术规模化研究过程中发现一个现象:向量搜索的准确性随着数据量的增加而显著下降。
他们发现,使用向量数据库进行相似性搜索时,当文档数量仅达到10,000页时,搜索精度就开始出现明显下降。更令人担忧的是,当文档数量达到100,000页时,性能损失高达12%。
研究团队使用Pinecone向量数据库,结合LangChain和LlamaIndex两种流行的RAG框架进行测试。结果显示,这两种框架在文档数量增加时都出现了显著的性能下降。
测试方案设计如下:
  • 定义了92个基于真实世界文档的问题。
  • 创建了四个文档集,每个集合都包含相同的310页核心文档,这些文档包含了92个测试问题的答案。
  • 在核心文档的基础上,逐步增加无关文档的数量,创建了四个测试集:1,000页、10,000页、50,000页和100,000页。


此图表显示了每个文档集中的相关页面数量(蓝色为相关文档,红色为无关文档),与每个文档集的总大小进行比较。
测试结果显示:
  • 在1,000页文档集上,三种方法的性能差异不大。
  • 到10,000页时,LangChain和LlamaIndex(简单RAG)的准确率开始明显下降,大约下降了5%。
  • 在50,000页文档集上,这两种方法的准确率进一步下降,降幅接近10%。
  • 当文档数量达到100,000页时,LangChain和LlamaIndex的性能损失高达12%。
研究团队指出,向量搜索在大规模数据集上表现不佳的原因可能在于如何将信息"有意义地"组织到向量空间中。现有的编码器似乎难以在向量空间中有效地组织大量文档,导致空间变得"杂乱",使得基于距离的搜索效果下降,这也说明了embedding模型的重要性。
理论上,高维向量空间可以容纳大量信息。例如,1536维的向量空间可以描述的内容数量远远超过已知宇宙中的原子数量。然而,实际应用中,如何有效地将信息组织到向量空间中是一个巨大的挑战。现代编码器在处理大规模文档集时,难以将信息有意义地组织到向量空间中,导致基于距离的搜索性能下降。
也就是说,造成这个问题的根源可能在于RAG系统强依赖的向量相似性搜索策略。例如,Pinecone等向量数据库通常使用余弦相似度或欧氏距离来计算向量间的相似性。然而,随着文档数量的增加,这些简单的距离度量可能无法准确捕捉文档间的语义关系。
相比之下,GroundX给出的方案是采用了基于语义对象相似性的比较方法,避免了直接使用向量,从而在大规模数据集上保持了较好的性能,在整个测试过程中表现出了更好的稳定性。即使在100,000页的大规模数据集上,其准确率仅下降了约2%。
出现这一结果是符合直觉的,作为一个知识型应用,高质量的、精准的数据对于提升检索性能是至关重要的,比如,一个组织,团队规模较小时,越多的context是有利于团队更好的决策和执行,随着组织规模扩大,太多的context甚至是无关的context会带来巨大的信息负担,进而影响组织效率。
因此,不仅要控制质量,也要控制数量,这在text2sql实践中,增加一些选表模型,就是为了缓解这一类问题,随着知识库越建越大,如何拆分知识库,以及更准确的的找到相关知识库,这一类问题也将会越来越被人所关注。
在实践层面,混合检索的方式也是克服这一类问题的有效方式之一,不仅使用向量检索,也适用文本检索。这其中就包括之前介绍的“上下文检索”这样的方案详见:Anthropic提出Contextual Retrieval让RAG再进化,大幅降低检索失败率

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POC验证,效果达标后再合作。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

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅