ChatGPT爆火之后，以ChatPDF为首的产品组合掀起了知识库问答的热潮。
在过去一整年中，大多数人都在完成RAG系统到高级RAG系统的迭代升级。但是技术发展是迅速的，如何深入了解RAG的发展，做出更好的RAG系统，其实还是非常困难的。
大模型爆火后的RAG系统发展，大体可以将其分为3个阶段，初级、高级、超级。初级阶段更多的是搭建起系统的pipeline；高级阶段是在召回生成侧修修补补，根据badcase反推流程上的优化技巧；超级对应了从Agentic RAG、RAG不存在了、多模态RAG、结构化RAG、GraphRAG、MemoryRAG等技术飞速发展的阶段。
S1 初级RAG
S1阶段处于23年元旦前后，最先在Github出现了一批尝试去复现chatpdf的项目，他们通过对知识库文档进行定长分块建立索引。然后使用用户query去索引中召回相关的文档片段，结合预定义的prompt模板，让LLM生成问题相关的答案。
其中用到的向量和LLM模型，闭源一般使用openai ada 002 + chatgpt。开源中文的则比较稀缺，常见的如simbert/text2vec + chatglm v1 6b等。
大体的一个流程图如下：
图片来自：https://www.promptingguide.ai/research/rag
S2 高级RAG
S2阶段横跨23年整年的时间，大体上可以分为模型侧和策略侧。
模型侧
召回模型侧：开源社区现在向量模型发力，一些针对QA分布的向量模型开源，如M3E，BGE等。
生成模型侧：国产大模型百花齐放，Qwen2、ChatGLM、Moonshot等。
策略测
策略侧在卷3大块的内容
1.如何保证更好的文档切分？这里诞生了很多的解析，切分，索引构建技巧。
-
解析侧，简单的从纯文本识别，到后来更复杂的借助版式识别+OCR的方式，还要针对表格，图片等单独处理
-
切分方面，从滑动窗口定长切分到语义，模块化切分等。
-
索引构建的一些技巧主要是为了应对chunk切分后的信息丢失问题，常见的比如，保留前后块的索引，文档级别的索引构建等。
2.如何提高召回率？
召回侧的一个出发点是，用来召回的query并非一定是用户的输入query。对此我们可以一下子想起来如query改写，hyde，子问题，step-back等常见策略。当然也有混合搜索这类不属于这个范畴的技巧。
3.如何提高生产答案的质量？
生成侧的一个出发点是，用来生成的内容并非一定是召回的query。从这一点我们也可以想起来如召回内容压缩，内容rerank，溯源，map-reduce等一些策略。
模型微调测
RAG系统的主要模型还是嵌入模型+生成模型。因此二者的训练方式，也产生了几个不同的大类别。最简单的二者直接使用开源模型，称为Traning free的方式；如果是针对私有化的数据进行训练这2个模型，产生3种训练方式：
-
方式一：分别独立训练 （Independent Training）
-
方式二：顺序训练 （Sequential Training），又因为模块的先后，分为LLM First / Retriever First 2种
-
方式三：联合训练（Joint Training）
S3 超级RAG
S3阶段处于23年底一直到现在，这个阶段RAG的概念几乎是2个月变一次。
23年底，24年初，开源的大模型已经出现了如Yi-34B，Qwen-72B等具备长上下文能力且效果优异的大模型。RAG的发展注定需要往当时火热的Agent侧靠拢。
Agent的核心为引擎+工具。引擎对整个流程做出决策，如是否调用某个知识库搜索知识，是否需要对结果进行反思重新迭 代等。一个简单的Agentic RAG系统如下图：
图片来自：https://medium.com/@sulaiman.shamasna/rag-iv-agentic-rag-with-llamaindex-b3d80e09eae3
多模态RAG，结构化RAG，属于小而美的范畴。可能一方面是多模态还没有完全进入工业界，结构化RAG属于NL2SQL的范畴。对于这2个整体上与传统的RAG差异不大，区别在于，多模态流转的中间形态可能是图片，使用clip之类的图文检索模型召回，VL模型进行答案生成。结构化RAG的差异仅在召回侧，使用sql、dsl等方式进行结构化数据库的召回。
24年上半年，部分厂商的RAG系统，在探索新的方向。如contextual.ai发文介绍他们的RAG2.0系统，虽然介绍博客的内容主要是联合训练。斯坦福的大佬们发布了RAPTOR，尝试通过层次的聚类来让RAG索引具备更高级的信息。
图片来自：RAPTOR: RECURSIVE ABSTRACTIVE PROCESSING
FOR TREE-ORGANIZED RETRIEVAL
越来越多的开源框架，在往Agentic RAG方面发展，当然最常见的还是结合self-reflection，self-rag，crag的Agentic RAG系统。
24年中，微软开源了GraphRAG的项目代码，无数的公众号在炒作这个图谱集合的RAG系统。相比于RAPTOR，GraphRAG在底层的chunk层更拉通，前者的聚类仅限于文档内，在逐级往上到文档间。而基于图谱的RAG在文档间的chunk之间可能会存在实体的连接，从而社区之类之后可以让聚类的社区信息，更好的跨不同的文档。整体上，确实能丰富RAG系统的索引构建，也可以结合传统的高级RAG，实现一个更好的hybird RAG系统。
图片来自：From Local to Global: A Graph RAG Approach to Query-Focused Summarization
当然24年也有很多RAG不存在的说法，如很多的论文在评估Long Context(LC)大模型与RAG系统准确率的高低之时，RAG系统都处于下风。同时还有一些特殊的开闭源产品，比较常见的就是将知识融合进外挂参数中，最早的如Lamini的Memory Tunning，最近的如智源的MemoRAG。
图片来自：lamini-memory-tuning
本文作者： 汪鹏 资深NLP技术专家和AI技术专家，拥有多年NLP落地经验。擅长结合用户场景，针对性地设计图谱、问答、检索、多模态、AIGC等相关的算法和落地方案。在Kaggle获得多枚奖牌，等级master。拥有公众号“NLP前沿”。
本文摘编自《 大模型RAG实战：RAG原理、应用与系统构建 》，机械工业出版社出版，经出版方授权发布，转载请标明文章来源。
▼
延伸阅读
多年大厂工作经验的资深AI技术专家撰写
指导读者深入理解RAG技术原理
学会RAG落地应用技巧
掌握RAG系统构建方法
快速掌握大模型应用开发
内容简介：
这是一本全面讲解RAG技术原理、实战应用与系统构建的著作。作者结合自身丰富的实战经验，详细阐述了RAG的基础原理、核心组件、优缺点以及使用场景，同时探讨了RAG在大模型应用开发中的变革与潜力。书中不仅揭示了RAG技术背后的数学原理，还通过丰富的案例与代码实现，引导读者从理论走向实践，轻松掌握RAG系统的构建与优化。无论你是深度学习初学者，还是希望提升RAG应用技能的开发者，本书都将为你提供宝贵的参考与指导。
征得机械工业出版社支持
特申请到 三 本《大模型RAG实战》纸质书
大家 评论区 留下大家觉得 最经典的RAG应用
点赞数最高的三位小伙伴 将获得
名额有限，大家珍惜
推荐阅读
一文看懂GraphRAG：蚂蚁集团联合各所名校出品GraphRAG综述