今天，我们来看看一个竞赛的方案，之前有讲过EasyRAG，现在作者【来自北航，也是老刘说NLP社区的成员】专门写了个稿子，可以再次温习下。
历经4个月的时间，从初赛赛道第1，复赛赛道第2，到最后决赛获得季军，这一路我们团队收获了很多实践经验，也结识了不少业界的RAG研究者，受益匪浅。应组委会邀请，本文介绍一下我们EasyRAG方案的亮点和实验结果，欢迎感兴趣的朋友批评指正！
开源地址：https://github.com/BUAADreamer/EasyRAG
技术报告：https://github.com/BUAADreamer/EasyRAG/blob/master/assets/技术报告.pdf
PPT：https://github.com/BUAADreamer/EasyRAG/blob/master/assets/PPT.pdf
论文链接：EasyRAG: Efficient Retrieval-Augmented Generation Framework for Automated Network Operations
挑战赛官网：https://competition.aiops-challenge.com/home/competition/1780211530478944282
0.概览
先简要介绍背景，本次比赛题目是面向网络运维领域的私域知识问答，根据LLM的类型分为两个赛道，赛道一使用可以微调的Qwen2-7B，赛道二调用 GLM-4 API。我们选择了赛道二，模拟无法微调LLM的场景。
因此，我们的目标是如何在不微调任何模型的前提下，实现较为简洁的RAG，尽可能达到准确、高效和实用
为了达成这一目标，我们基于llama-index[1]，实现了一套包含查询改写、图像数据处理、分块策略、元数据利用、密集检索、稀疏检索、重排、排序融合、提示词优化、上下文压缩、部署的RAG框架，可以灵活地配置自己的RAG流程，方便地应用在自己的私域数据问答中。
初赛RAG流程：块调优-两路稀疏/密集检索粗排-重排-rrf排序融合
复赛RAG流程：块优化（图像信息和路径知识利用）-两路稀疏检索粗排-重排-答案迭代优化
接下来我们将分别介绍我们在准确性，高效性和实用性方面的实践和实验结果，以飨读者
1.准确性
数据处理流程
# 原代码：https://github.com/run-llama/llama_index/blob/8f7cd3e1043da26514ac82fc732cd21bbb4bbe9c/llama-index-core/llama_index/core/node_parser/text/sentence.py#L155C5-L157C62
def split_text_metadata_aware(self, text: str, metadata_str: str) -> List[str]:
metadata_len = len(self._tokenizer(metadata_str))
effective_chunk_size = self.chunk_size - metadata_len
# 我们的实现：https://github.com/BUAADreamer/EasyRAG/blob/893b3c272b2ce0d8c6cee80f02a171cccded9f96/src/easyrag/custom/splitter.py#L149
def split_text_metadata_aware(self, text: str, metadata_str: str) -> List[str]:
metadata_len = len(self._tokenizer(metadata_str))
effective_chunk_size = self.chunk_size
# 分块实现：https://github.com/BUAADreamer/EasyRAG/blob/893b3c272b2ce0d8c6cee80f02a171cccded9f96/src/easyrag/custom/transformation.py#L67C1-L71C51
for node in nodes:
node.metadata["file_abs_path"] = node.metadata['file_path']
file_path = node.metadata["file_path"].replace(self.data_path + "/", "")
node.metadata["dir"] = file_path.split("/")[0]
node.metadata["file_path"] = file_path
RAG流程
查询改写：我们尝试了关键词扩展和HyDE两种思路，但我们发现直接使用GLM4进行查询扩展会使得新查询词和私域文档偏差较大，因此在提交方案中没有采用，详情参见技术报告
两路稀疏检索粗排：基于BM25实现两路检索，除了常规的文档检索，我们还进行了知识路径检索。
密集检索粗排：基于LLM的embedding模型效果更佳
LLM Reranker 重排：基于LLM的Reranker效果更佳
多路排序融合：排序融合主要尝试了naive（去重合并）以及rrf（倒数排序融合）。我们发现重排融合相比粗排融合更有用
生成前融合：多组文档集合排序融合得到一组文档集合，输入LLM
生成后融合：每组文档集合分别输入LLM，将多个答案融合。我们尝试了直接拼接和取最长两种方式
粗排融合：复赛中我们直接将两路进行naive融合
重排融合：多路分别进行粗排-重排，得到多组文档集合
LLM 回答：简单问答提示词最佳
LLM 答案迭代优化：让模型逐步关注重要信息
缩写描述
这里先对之后实验表中的一些缩写做出解释
初赛实验结果
这里列出我们初赛的提分路径，主要经历了3个阶段
单路粗排（0-2）
官方Baseline跑通（0==>57）
bge-v1.5实验（57==>68）
bm25实验（68==>69）
单路粗排-精排（3-16）
多路融合（17-21）
复赛实验结果
由于复赛和初赛评价指标发生了变化，更看重事实正确性，因此稀疏检索粗排总体更加有效
这里列出我们复赛的提分路径，主要经历了5个阶段
流程探索（0-4）
路径知识利用（5-10）
粗排利用文件路径（91.5==>92.7）
重排利用知识路径（92.7==>93.1）
图像信息利用（11-12）
知识路径检索（13）
答案迭代优化（14-15）
2.高效性
考虑到实际使用时对速度的要求，我们也实现了一些策略降低推理时延，以下为总的时间开销比较：
接下来分别讲解三个加速方案
高效稀疏检索
高效重排
我们设计了层早退算法，将重排时间降低2s+
高效LLM推理
我们设计了上下文压缩方法，将LLM推理时间降低1.5s+
3.实用性
网络运维问答案例
四大名著问答案例
我们还使用四大名著语料[10]测试了框架能否支持通用的语料问答
4.总结
本次比赛我们以不微调任何模型作为自己的目标，并在此前提下，利用了各种先进模型搭建我们的pipeline，做了充分的消融实验，达到了比赛中先进的准确度，同时也做了一些高效性和实用性方面的尝试
这初步说明一个结论：对于垂直领域RAG，精心设计流程+挑选sota模型+流程调优在初期带来的收益可能要大于微调模型。不过我们相信，经过微调后的模型可以让我们的pipeline获得更好的效果。希望这个工作能对RAG社区做出一些贡献，欢迎各位大佬批评指正！
感谢组委会耐心细致的比赛组织，这次比赛大家的讨论氛围和体验都非常良好！感谢张老师和学长们对本次比赛的大力支持！最后再次推广下我们的框架EasyRAG，目前已经收获70+star；同时如果您对于此框架有好的想法，也欢迎提PR！
粤ICP备14082021号
免费POC，
零成本试错
