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

提升RAG性能的全攻略:优化检索增强生成系统的策略大揭秘 | 深度好文

发布日期:2024-11-21 08:01:52 浏览次数: 3188
作者:Halo咯咯

微信搜一搜,关注“Halo咯咯”

.01

概述
近年来,随着检索增强生成(Retrieval Augmented Generation,RAG)应用的快速普及,其性能优化成为开发者们关注的热点。尽管基础RAG管道设计较为简单,但要满足实际业务需求,往往需要更高级的优化策略。本文将全面解读RAG优化的各类方法,帮助大家快速掌握主流策略并在实践中应用。

.02

RAG管道基础:从零开始理解工作原理
一个标准的RAG管道一般包含以下几个基本步骤:
    • 文档加载与分块:将文档内容拆分为多个小块(chunk),并将这些块存储到向量数据库(如Milvus或Zilliz Cloud)。
    • 检索相关内容:根据查询,向量数据库找到与查询最相关的Top-K文档块。
    • 注入上下文:将检索到的文档块作为上下文注入大语言模型(LLM)的提示中。
    • 生成回答:LLM结合上下文生成最终的答案。
这种直观的流程虽然高效,但在复杂场景中可能出现性能瓶颈,比如信息丢失或回答不准确。因此,针对RAG各环节的优化策略便应运而生。

.03

RAG优化策略分类:全面覆盖五大方向
可以将RAG优化策略划分为以下五大类:
    1. 查询优化(Query Enhancement):通过修改用户查询表达方式,使意图更清晰,提升查询准确性。
    2. 索引优化(Indexing Enhancement):通过改进索引方式,增强文档块的检索效率。
    3. 检索器优化(Retriever Enhancement):提升检索阶段的准确性与上下文覆盖范围。
    4. 生成器优化(Generator Enhancement):改善提示设计,确保生成更优质的答案。
    5. 管道优化(Pipeline Enhancement):优化整体RAG管道流程,动态调整系统执行方式。

接下来,我们将逐一探讨每一类优化方法及其应用场景。

一、查询优化:为系统注入“清晰思路”

在RAG系统中,查询的准确性至关重要。以下几种方法能够帮助优化查询阶段:
1. 假设性问题生成(Hypothetical Questions)
通过大语言模型(LLM)生成一组假设性问题,模拟用户可能的提问方式。
    • 流程:先根据文档块生成假设性问题,将其存储于向量数据库中。当用户提交实际查询时,系统先检索假设性问题,再返回相关文档块供LLM生成答案。
    • 优点:缓解跨领域查询的对称性问题,提高检索精度。
    • 缺点:生成假设性问题可能增加计算开销,且存在不确定性。
2. 假设性文档嵌入(HyDE)
HyDE方法会根据用户查询生成一个“假设性回答”,将其转化为向量嵌入后用于检索文档块。
    • 优势:类似于假设性问题生成,但通过直接生成答案有效处理复杂查询。
    • 不足:生成“假设性回答”需要额外的计算资源。
3. 子查询拆分(Sub-Queries)
对于复杂查询,可以先将其拆分为多个子查询,分别检索并合并答案。例如:
    • 原始查询:Milvus和Zilliz Cloud的功能有什么不同?
    • 拆分后
      • 子查询1:Milvus的功能有哪些?
      • 子查询2:Zilliz Cloud的功能有哪些?
通过简化复杂查询,系统可以更准确地检索相关内容。
4. 退一步提问(Stepback Prompts)
将复杂的查询转化为“退一步”问题。例如:
    • 用户问题:Milvus是否可以存储10亿条记录的数据集?
    • 退一步问题:Milvus能处理的数据集规模上限是多少?
这种方法能够简化原始问题,使检索更具针对性。
二、索引优化:打造高效的文档检索方式
索引阶段的优化方法可以帮助系统更快速、更精准地定位相关文档块。
1. 自动合并文档块
在索引过程中,建立“父子层级”:
    • 初始检索时聚焦细粒度子文档块。
    • 如果多个子块来自同一父文档,则将父文档提供给LLM作为上下文。
此方法已在LlamaIndex中实现,对提升检索覆盖率非常有效。
2. 构建分层索引
采用两级索引结构:
    • 第一级存储文档摘要,用于快速筛选相关文档。
    • 第二级存储文档块,仅检索筛选出的相关文档内的内容。
这种方式在处理大规模数据或分层结构数据(如图书馆藏)时尤为适用。

3. 混合检索与重排序(Hybrid Retrieval & Reranking)
结合词频算法(如BM25)或稀疏嵌入方法(如Splade)与向量检索。检索完成后,通过重排序算法(如Cross-Encoder)对结果进行相关性排序。
    • 优点:提升了检索覆盖率,减少向量召回不足的问题。    

三、检索器优化:让信息“更近一步”
1. 句子窗口检索(Sentence Window Retrieval)
在向量数据库中检索细粒度文档块,但将更大范围的上下文信息提供给LLM,以减少信息遗漏。
    • 注意:窗口大小需要根据业务需求动态调整,避免过多无关信息干扰。
2. 元数据筛选(Meta-data Filtering)
通过时间、类别等元数据过滤检索结果。例如,对于财报查询,仅保留用户指定年份的相关文档。此方法在数据量庞大且元数据丰富的场景中非常有效。

四、生成器优化:从提示设计到内容生成
1. 压缩提示信息
对检索到的文档块进行信息压缩,减少无关细节并强调重点。
    • 优点:优化有限提示窗口内的信息利用率,提高生成答案的准确性。
2. 调整提示块顺序
研究发现,LLM更倾向于使用提示开头和结尾的信息。因此,可以将高置信度文档块放置在提示的首尾,以提升回答质量。
五、管道优化:全面提升RAG系统效率
1. 自我反思(Self-reflection)
对于模糊或不确定的文档块,系统可进行“二次反思”,利用自然语言推理(NLI)或额外工具进行验证,从而确保回答的准确性。
2. 查询路由(Query Routing)
设计一个路由代理,判断查询是否需要经过RAG管道。简单问题可直接由LLM回答,复杂问题则进入RAG系统处理。
    • 优势:提升响应速度,避免不必要的管道资源消耗。

.03

总结:实现RAG应用的性能飞跃
尽管标准RAG管道设计较为简洁,但为了达到实际业务的性能要求,采用多种优化策略是必要的。本文从查询优化、索引优化、检索器优化、生成器优化及管道优化五大方向,详细解析了多种方法及其实际应用场景。
在实际应用中,开发者可以根据需求灵活组合这些策略,为RAG系统注入更多智慧,推动其在多领域的广泛应用。希望本文的总结能帮助大家快速掌握RAG优化技巧,为您的AI项目提供新思路!

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