本文结合“基于 ERNIE SDK+LangChain 搭建个人知识库”的代码示例，为您讲解 RAG 的相关概念。

概念

在 2020 年 Facebook AI Research(FAIR)团队发表一篇名为《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》的论文。这篇论文首次提出了 RAG 概念(目前大语言模型领域的一个重要概念)，并对该概念进行详细介绍和解释。

此图是 FAIR 团队的方法概述。结合了一个预先训练的检索器（查询编码器+文档 Index），并进行端到端微调。对于查询 x，作者使用最大内积搜索（MIPS）查找前 K 个文档 zi 对于最终预测 y，并将 z 视为一个潜在变量，并在给定不同文献的 seq2seq 预测上进行边缘化。

RAG 模型结合了语言模型和信息检索技术。具体来说，当模型需要生成文本或者回答问题时，它会先从一个庞大的文档集合中检索出相关的信息，然后利用这些检索到的信息来指导文本的生成，从而提高预测的质量和准确性。其中，“检索”、“利用”、“生成”是 RAG 的关键部分。

那如何才能更直观地理解这三个部分呢？

举个简单的例子：你正在写一篇关于小狗的文章，但你对小狗的知识有限。这时，你很可能会进行以下操作：

1.检索（Retrieval）：

首先，你打开电脑，输入关键词为“小狗”的搜索请求，在互联网上检索了大量的关于小狗的文章、博客和信息。

2.利用（Utilization）：

接下来，你会分析这些搜索结果，并提取其中的重要信息，包括狗狗的种类、行为习惯、饲养方式等等。你将这些信息整理成一个知识库，这个知识库就像一本百科全书，里面包含了各种关于小狗的知识点。

3.生成（Generation）：

现在，你需要写文章。在文章的开头，通过一个问题引入：“小狗的寿命有多长？”随后，便可以使用之前检索和整理的信息来回答问题，或者生成文章的段落。这一步不仅仅是简单地复制粘贴，而是根据上下文和语法规则生成自然流畅的文本。

其实上述“你”的工作流就是“RAG”的工作流，可以将“你”当作一个 RAG 模型，即“检索”、“利用”、“生成”。了解了 RAG 的基本工作流之后，可能会思考：RAG 主要在什么场景下使用呢？如果它们在这些场景中进行“检索”，“利用”和“生成”，具体的工作内容又是什么呢？

场景

RAG 技术可以在以下一些常见的自然语言处理任务中发挥作用：

1.问答系统（QA Systems）： RAG 可以用于构建强大的问答系统，能够回答用户提出的各种问题。它能够通过检索大规模文档集合来提供准确的答案，无需针对每个问题进行特定训练。

2.文档生成和自动摘要（Document Generation and Automatic Summarization）： RAG 可用于自动生成文章段落、文档或自动摘要，基于检索的知识来填充文本，使得生成的内容更具信息价值。

3.智能助手和虚拟代理（Intelligent Assistants and Virtual Agents）： RAG 可以用于构建智能助手或虚拟代理，结合聊天记录回答用户的问题、提供信息和执行任务，无需进行特定任务微调。

4.信息检索（Information Retrieval）： RAG 可以改进信息检索系统，使其更准确深刻。用户可以提出更具体的查询，不再局限于关键词匹配。

5.知识图谱填充（Knowledge Graph Population）： RAG 可以用于填充知识图谱中的实体关系，通过检索文档来识别和添加新的知识点。

优势

以上是 RAG 一些常见的应用场景。明晰了 RAG 的应用范围后，可能会产生疑问：为什么这些场景需要使用 RAG，而不是进行微调或者通过其他方法来实现呢？接下来，我们进一步了解 RAG 的优势。以下为 RAG 的具体优势：

1.外部知识的利用： RAG 模型可以有效地利用外部知识库，它可以引用大量的信息，以提供更深入、准确且有价值的答案，这提高了生成文本的可靠性。

2.数据更新及时性： RAG 模型具备检索库的更新机制，可以实现知识的即时更新，无需重新训练模型。说明 RAG 模型可以提供与最新信息相关的回答，高度适配要求及时性的应用。

3.回复具有解释性： 由于 RAG 模型的答案直接来自检索库，它的回复具有很强的可解释性，减少大模型的幻觉。用户可以核实答案的准确性，从信息来源中获取支持。

4.高度定制能力： RAG 模型可以根据特定领域的知识库和 prompt 进行定制，使其快速具备该领域的能力。说明 RAG 模型广泛适用于的领域和应用，比如虚拟伴侣、虚拟宠物等应用。

5.安全和隐私管理： RAG 模型可以通过限制知识库的权限来实现安全控制，确保敏感信息不被泄露，提高了数据安全性。

6.减少训练成本： RAG 模型在数据上具有很强的可拓展性，可以将大量数据直接更新到知识库，以实现模型的知识更新。这一过程的实现不需要重新训练模型，更经济实惠。

对比微调

接下来，通过对比 RAG 与微调，帮助大家根据具体的业务需求，选择合适的策略：

• 任务特定 vs 通用性： 微调通常是为特定任务进行优化，而 RAG 是通用的，可以用于多种任务。微调对于特定任务的完成效果好，但在通用性问题上不够灵活。

• 知识引用 vs 学习： RAG 模型通过引用知识库来生成答案，而微调是通过学习任务特定的数据生成答案。RAG 的答案直接来自外部知识，更容易核实。

• 即时性 vs 训练： RAG 模型可以实现即时的知识更新，无需重新训练，在及时性要求高的应用中占优势。微调通常需要重新训练模型，时间成本较高。

• 可解释性 vs 难以解释性： RAG 的答案可解释性强，因为它们来自知识库。微调模型的内部学习可能难以解释。

• 定制 vs 通用性： RAG 可以根据特定领域进行定制，而微调需要为每个任务进行特定微调，需要更多任务特定的数据。

结合上面的比较，我们可以清楚的看到 RAG 的优势在于通用性、知识引用、即时性和可解释性，而微调在特定任务上可能更适用，但同时需要更多的任务特定数据和训练。选择使用哪种方法，应根据具体的应用需求和任务来决定。

项目示例

那 RAG 具体怎么实现呢？我们用一个简单的代码示例来举例：基于 ERNIE SDK 和 LangChain 搭建个人知识库。

安装 ERNIE Bot

!pip install --upgrade erniebot 测试embedding import ernieboterniebot.api_type = "aistudio"erniebot.access_token = "<你的token>"response = erniebot.Embedding.create(model="ernie-text-embedding",input=[    "我是百度公司开发的人工智能语言模型，我的中文名是文心一言，英文名是ERNIE-Bot，可以协助您完成范围广泛的任务并提供有关各种主题的信息，比如回答问题，提供定义和解释及建议。如果您有任何问题，请随时向我提问。" ])print(response.get_result())

引入 Chromadb 向量数据库

!pip install chromadb

自定义嵌入函数

定义一个自定义的嵌入函数，用于将文本内容转换为嵌入向量。其中使用 ERNIE Bot 库来创建文本的嵌入，并且通过 Chromadb 库来管理这些嵌入向量。

import osimport erniebotfrom typing import Dict, List, Optional import chromadbfrom chromadb.api.types import Documents, EmbeddingFunction, Embeddingsdef embed_query(content):response = erniebot.embedding.create(model="ernie-text-embedding",input=[content])result = response.get_result()print(result)  return result
class ErnieEmbeddingFunction(EmbeddingFunction): def __call__(self, input: Documents) -> Embeddings:    embeddings = []    for text in input:        response = embed_query(text)        try:            embedding = response[0]               embeddings.append(embedding)        except (IndexError, TypeError, KeyError) as e:            print(f"Error processing text: {text}, Error: {e}")
    return embeddingschroma_client = chromadb.Client() chroma_client = chromadb.PersistentClient(path="chromac") #数据保存硬盘位置 可选collection = chroma_client.create_collection(name="demo", embedding_function=ErnieEmbeddingFunction())print(collection)

导入数据集

选用课程内容作为知识库

文档切割

使用 LangChain 库来处理和分割文本文档

from langchain.text_splitter import CharacterTextSplitterfrom langchain.vectorstores import Chromafrom langchain.document_loaders import TextLoader loader = TextLoader('./AI大课逐字稿.txt',encoding='utf-8')documents = loader.load()text_splitter = CharacterTextSplitter(chunk_size=600, chunk_overlap=20)docs = text_splitter.split_documents(documents)docs

Embedding 嵌入

将分割后的文档列表转换为嵌入向量，以便进行进一步的分析和处理。

import uuiddocs_list=[]metadatas=[]ids=[]for item in docs:docs_list.append(item.page_content)metadatas.append({"source": "AI大课逐字稿"})ids.append(str(uuid.uuid4())) collection.add(documents=docs_list,metadatas=metadatas,ids=ids) 

检索

query = "讲师说见VC有两种错误的思维方式，分别是什么"
results = collection.query(    query_texts=[query],    n_results=2) content=results['documents'][0][ ] prompt=f"""用户问题:{query}<context>{content}</context>根据<context>里的知识点回答用户问题"""response = erniebot.ChatCompletion.create(model="ernie-4.0", messages=[{"role": "user", "content": prompt}])print(response.get_result())#讲师说见VC有两种错误的思维方式，分别是：##1. 用过去的方式套今天的人工智能，比如比喻成OS。一旦比喻成操作系统，就得出结论全世界两套到三套，你觉得必然会被垄断、没有机会了，这种是典型的刻舟求剑。#2. 人容易对已经成功的事委曲求全，对于创新的新生代创业者容易求全责备。特别是有些做VC容易犯这个错误，比如OpenAI做成了，已经证明了，是个傻子都能看到OpenAI做的很成功，我们容易对它顶礼膜拜，恨不得跪下。对创业者很多还不成形的想法，因为八字没有一撇，光看到了你的很多缺点，这种价值观是不对的，容易Miss掉一些有潜力的项目。

封装函数

包含了之前步骤中存储的文本嵌入向量。函数的目的是接收用户的查询，从数据库中检索相关信息，并生成一个回答。

def main(query):    results = collection.query(    query_texts=[query],    n_results=2)    content=results['documents'][0]    prompt=f"""    用户问题:{query}    <context>    {content}    </context>    根据<context>里的知识点回答用户问题    """    response = erniebot.ChatCompletion.create(model="ernie-4.0", messages=[{"role": "user", "content": prompt}])    return response.get_result()query=input("请输入您要查询的问题：")print(main(query))

显然，RAG 的应用不仅仅满足于此，目前也诞生了各种 RAG 的高阶用法。

通过不断优化 RAG，使其具有更强大的信息理解能力，理解问题更加透彻，找到与问题高度匹配的信息后，生成更为精准的答案。比如针对“讲一下金毛犬的特点”这一指令，高级 RAG 模型可以理解这是一个关于小狗特定品种的问题，将从知识库中提取金毛犬的细节信息，如体格、性格、历史等，以对齐问题的颗粒度，提供详细的回答。

在优化 RAG 的过程中，也产生了一系列相关的方法。

在信息检索和搜索引擎优化领域，通过实施一系列策略可以显著提升检索系统的性能。索引优化通过提升数据粒度、优化索引结构、添加元数据信息、对齐优化和混合检索等方法，可以提高检索的准确性和效率。向量表征模型的优化通过微调和动态嵌入技术，增强了模型对特定领域或问题的理解能力。检索后处理策略如重排序和 Prompt 压缩，进一步提升了检索结果的相关性和用户满意度。递归检索和搜索引擎优化通过递归检索和子查询等技术，实现了更复杂和精确的检索需求。最后，RAG 评估通过独立评估和端到端评估方法，确保了检索系统在各个方面都能满足用户的需求。这些策略的实施，共同推动了检索技术的进步，为用户提供了更加高效和精准的信息服务。具体参考下图：

除了以上 5 种方法，还有其他很多高级的 RAG 用法，大家可以针对感兴趣的部分自行查阅相关论文，进行学习了解。