RAG（Retrieval Augmented Generation，檢索增強(qiáng)生成）是一種結(jié)合數(shù)據(jù)工程、信息抽取和文本生成的技術(shù)范式。

Spring AI Alibaba 是阿里巴巴開源的 AI 應(yīng)用開發(fā)框架，基于 Spring AI 構(gòu)建并提供了更高層面的抽象，幫助開發(fā)者快速構(gòu)建 AI 應(yīng)用。

1、RAG 的四大核心步驟

第一、文檔切割與智能檔案庫的建立

核心任務(wù)是將大量文檔轉(zhuǎn)化為易于檢索的知識碎片，這一過程類似于將厚重的詞典拆解成單詞卡片。通過采用智能分塊算法，保持語義連貫性，同時給每個知識碎片打上標(biāo)簽（如“技術(shù)規(guī)格”、“操作指南”）。這一步驟的關(guān)鍵價值在于，優(yōu)質(zhì)的知識切割如同圖書館的分類系統(tǒng)，決定了檢索效率。

第二、向量編碼與語義地圖的構(gòu)建

利用 AI 大模型將文字轉(zhuǎn)化為數(shù)學(xué)向量，使語義相近的內(nèi)容產(chǎn)生相似的數(shù)學(xué)特征。所有向量存入專用數(shù)據(jù)庫，并建立快速檢索索引，這類似于圖書館的書目檢索系統(tǒng)。例如，“續(xù)航時間”和“電池容量”會被編碼為相似向量。

第三、相似檢索與智能資料獵人

應(yīng)答觸發(fā)流程包括將用戶問題轉(zhuǎn)為“問題向量”，并通過多維度匹配策略搜索知識庫，包括語義相似度、關(guān)鍵詞匹配度和時效性權(quán)重，輸出指定個數(shù)的最相關(guān)文檔片段。

第四、生成增強(qiáng)與專業(yè)報告撰寫

應(yīng)答構(gòu)建過程中，將檢索結(jié)果作為指定參考資料，AI 大模型在生成時自動關(guān)聯(lián)相關(guān)知識片段。輸出形式可以包含自然語言回答和附參考資料溯源路徑。例如，“根據(jù)《產(chǎn)品說明技術(shù)手冊 V1.3》第2章內(nèi)容：該設(shè)備續(xù)航時間為...”。

2、Spring AI Alibaba 模塊化 RAG 增強(qiáng)

第一、Multi Query Expansion (多查詢擴(kuò)展)

查詢擴(kuò)展技術(shù)對于增強(qiáng) RAG 系統(tǒng)的搜索效能至關(guān)重要。在現(xiàn)實操作中，用戶提交的查詢往往簡潔且信息量有限，這可能會影響搜索結(jié)果的精確度和全面性。Spring AI Alibaba 提供了一種高效的查詢擴(kuò)展功能，能夠自動產(chǎn)生多個相關(guān)的查詢版本，進(jìn)而提升搜索的精確度和覆蓋率。

// 創(chuàng)建聊天客戶端實例
// 設(shè)置系統(tǒng)提示信息，定義AI助手作為專業(yè)的室內(nèi)設(shè)計顧問角色
ChatClient chatClient = builder
        .defaultSystem("你是一位專業(yè)的室內(nèi)設(shè)計顧問，精通各種裝修風(fēng)格、材料選擇和空間布局。請基于提供的參考資料，為用戶提供專業(yè)、詳細(xì)且實用的建議。在回答時，請注意：\n" +
                "1. 準(zhǔn)確理解用戶的具體需求\n" +
                "2. 結(jié)合參考資料中的實際案例\n" +
                "3. 提供專業(yè)的設(shè)計理念和原理解釋\n" +
                "4. 考慮實用性、美觀性和成本效益\n" +
                "5. 如有需要，可以提供替代方案")
        .build();


// 構(gòu)建查詢擴(kuò)展器
// 用于生成多個相關(guān)的查詢變體，以獲得更全面的搜索結(jié)果
MultiQueryExpander queryExpander = MultiQueryExpander.builder()
        .chatClientBuilder(builder)
        .includeOriginal(false) // 不包含原始查詢
        .numberOfQueries(3) // 生成3個查詢變體
        .build();


// 執(zhí)行查詢擴(kuò)展
// 將原始問題"請?zhí)峁追N推薦的裝修風(fēng)格?"擴(kuò)展成多個相關(guān)查詢
List<Query> queries = queryExpander.expand(
        new Query("請?zhí)峁追N推薦的裝修風(fēng)格?"));

在這一過程中，系統(tǒng)將自主地構(gòu)造出多個相關(guān)的查詢版本。例如，當(dāng)用戶提出“請?zhí)峁追N推薦的室內(nèi)裝修風(fēng)格？”的查詢時，系統(tǒng)將生成多個從不同視角出發(fā)的查詢。這種方法不僅增強(qiáng)了搜索結(jié)果的廣度，還能夠揭示用戶潛在的查詢目的。

多查詢擴(kuò)展的效果如下：

擴(kuò)展后的查詢內(nèi)容:
1. 哪些裝修風(fēng)格最受歡迎？請推薦一些。
2. 能否推薦一些流行的家居裝修風(fēng)格？
3. 想了解不同的裝修風(fēng)格，有哪些是值得推薦的？

多查詢擴(kuò)展的優(yōu)勢主要體現(xiàn)在以下幾個方面：

• 提升召回率：通過生成多個查詢版本，增加了捕獲相關(guān)文檔的可能性。
• 多角度覆蓋：從多個維度理解和拓展用戶的原始查詢內(nèi)容。
• 加強(qiáng)語義解析：識別查詢的多重潛在意義及其相關(guān)概念。
• 改善搜索品質(zhì)：綜合多個查詢結(jié)果，以獲得更加周全的信息集。

第二、Query Rewrite (查詢重寫)

查詢改寫是 RAG 系統(tǒng)中的一項關(guān)鍵優(yōu)化手段，它通過將用戶的原始查詢轉(zhuǎn)化為更加規(guī)范和明確的查詢形式，從而提升搜索的精確度，并協(xié)助系統(tǒng)更準(zhǔn)確地把握用戶的真正需求。

Spring AI Aliaba 通過提供 RewriteQueryTransformer 這一工具來實現(xiàn)查詢改寫功能。以下是一個具體的操作示例：

// 構(gòu)建一個模擬用戶在學(xué)習(xí)人工智能過程中的查詢場景
Query query = new Query("我在學(xué)習(xí)人工智能，能否解釋一下什么是大型語言模型？");


// 實例化查詢改寫轉(zhuǎn)換器
QueryTransformer queryTransformer = RewriteQueryTransformer.builder()
        .chatClientBuilder(builder) // 假設(shè)builder是之前定義好的ChatClient構(gòu)建器
        .build();


// 執(zhí)行查詢改寫操作
Query transformedQuery = queryTransformer.transform(query);


// 打印改寫后的查詢內(nèi)容
System.out.println(transformedQuery.text());

經(jīng)過改寫，查詢可能會優(yōu)化為：

“什么是大型語言模型？”

查詢改寫的主要優(yōu)勢包括：

• 查詢明確化：將含糊不清的問題轉(zhuǎn)化為具體的查詢點。

這種改寫不僅有助于系統(tǒng)檢索到更加相關(guān)的文檔，同時也能夠輔助生成更為全面和專業(yè)的答復(fù)。

第三、Query Translation (查詢翻譯)

查詢翻譯是 RAG 系統(tǒng)中的一項便捷功能，它允許將用戶的查詢從一個語言版本轉(zhuǎn)換為另一個語言版本。這項功能對于實現(xiàn)多語言支持和執(zhí)行跨語言搜索查詢尤其重要。Spring AI Aliabab 通過 TranslationQueryTransformer 工具來實現(xiàn)查詢的翻譯功能。

以下是使用該功能的示例代碼：

// 初始化一個英文的查詢實例
Query query =newQuery("What is LLM?");


// 實例化查詢翻譯轉(zhuǎn)換器，并指定目標(biāo)語言為中文
QueryTransformer queryTransformer =TranslationQueryTransformer.builder()
.chatClientBuilder(builder)// 假設(shè)builder是已定義的聊天客戶端構(gòu)建器
.targetLanguage("zh")// 設(shè)置目標(biāo)語言代碼為中文
.build();


// 執(zhí)行查詢的翻譯操作
Query translatedQuery = queryTransformer.transform(query);


// 打印出翻譯后的查詢內(nèi)容
System.out.println(translatedQuery.text());

執(zhí)行上述代碼后，查詢將被翻譯為：

“什么是大語言模型？”

查詢翻譯功能的主要優(yōu)勢包括：

• 多語言兼容：能夠在不同語言之間進(jìn)行查詢內(nèi)容的轉(zhuǎn)換。
• 本地化適配：將查詢內(nèi)容適配為目標(biāo)語言的地道表達(dá)方式。
• 跨語言搜索：使得在不同語言的文檔集合中進(jìn)行有效檢索成為可能。
• 提升用戶體驗：用戶可以利用自己熟悉的語言發(fā)起查詢，提高了系統(tǒng)的易用性。

第四、Context-aware Queries (上下文感知查詢)

在真實的對話場景中，用戶的提問經(jīng)常基于之前的交流內(nèi)容。為了展示如何實現(xiàn)上下文感知的查詢，我們來看一個關(guān)于房地產(chǎn)咨詢的例子：

// 創(chuàng)建一個包含歷史對話的查詢實例
// 這個示例模擬了一個用戶咨詢房地產(chǎn)的場景，用戶首先詢問了小區(qū)的位置，隨后詢問房價
Query query =Query.builder()
.text("那么這個小區(qū)的二手房平均價格是多少？")// 用戶當(dāng)前的問題
.history(newUserMessage("深圳市南山區(qū)的碧海灣小區(qū)具體位置是？"),// 用戶之前的問題
newAssistantMessage("碧海灣小區(qū)坐落于深圳市南山區(qū)后海中心區(qū)，靠近后海地鐵站。"))// 系統(tǒng)之前的答復(fù)
.build();

在這個示例中：

• 用戶最初詢問了碧海灣小區(qū)的位置（歷史問題）。
• 系統(tǒng)提供了該小區(qū)的具體位置信息（歷史回答）。
• 用戶隨后提問關(guān)于該小區(qū)二手房的平均價格（當(dāng)前問題）。

如果不考量上下文，系統(tǒng)可能無法識別“這個小區(qū)”具體指代的是哪個小區(qū)。為解決這一問題，我們利用 CompressionQueryTransformer 來處理上下文信息：

// 初始化查詢轉(zhuǎn)換器
// QueryTransformer負(fù)責(zé)將含有上下文的查詢轉(zhuǎn)換為一個完整的獨立查詢
QueryTransformer queryTransformer = CompressionQueryTransformer.builder()
.chatClientBuilder(builder)// 假設(shè)builder是之前定義好的聊天客戶端構(gòu)建器
.build();


// 執(zhí)行查詢轉(zhuǎn)換操作
// 將不明確的指代（“這個小區(qū)”）轉(zhuǎn)換為具體的實體名稱（“碧海灣小區(qū)”）
Query transformedQuery = queryTransformer.transform(query);

轉(zhuǎn)換后的查詢可能變?yōu)楦用鞔_的形式，例如：“深圳市南山區(qū)碧海灣小區(qū)的二手房平均價格是多少？”。這種轉(zhuǎn)換方式具有以下優(yōu)點：

• 消除歧義：明確指出了查詢的具體對象（碧海灣小區(qū)）。
• 保持上下文：包含了位置信息（深圳市南山區(qū)）。
• 提升精確度：使系統(tǒng)能夠更精確地檢索到相關(guān)信息。

輸出的查詢： “深圳市南山區(qū)碧海灣小區(qū)的二手房平均價格是多少？”

第五、文檔合并器（DocumentJoiner）

在現(xiàn)實世界的應(yīng)用程序中，我們常常面臨從不同的查詢或數(shù)據(jù)源中收集文檔的需求。為了高效地管理和整合這些文檔，Spring AI 提供了 ConcatenationDocumentJoiner 這一文檔合并工具。此工具能夠智能地將來自多個來源的文檔合并成一個統(tǒng)一的文檔集合。

文檔合并器的核心特性包括：

• 智能去重：在遇到重復(fù)的文檔時，系統(tǒng)僅保留首次出現(xiàn)的版本。
• 分?jǐn)?shù)保留：在合并過程中，每個文檔的原始相關(guān)性評分得以保留。
• 多源兼容：能夠同時處理來自不同查詢和不同數(shù)據(jù)源的文檔。
• 順序保持：合并時維持文檔的原始檢索順序不變。

以下是一個具體的使用示例：

// 獲取來自多個查詢或數(shù)據(jù)源的文檔集合
Map<Query,List<List<Document>>> documentsMap =...;


// 實例化文檔合并器
DocumentJoiner documentJoiner = newConcatenationDocumentJoiner();


// 執(zhí)行文檔合并操作
List<Document> mergedDocuments = documentJoiner.join(documentsMap);

這種合并機(jī)制在以下幾種場景中尤其有用：

• 多輪查詢：需要將多個查詢返回的文檔結(jié)果進(jìn)行合并。
• 跨源檢索：從不同的數(shù)據(jù)源（例如數(shù)據(jù)庫、文件系統(tǒng)等）中獲取文檔。
• 查詢擴(kuò)展：當(dāng)使用查詢擴(kuò)展技術(shù)生成多個相關(guān)查詢時，需要將所有結(jié)果合并。
• 增量更新：在現(xiàn)有的文檔集合中添加新的檢索結(jié)果。

通過使用 ConcatenationDocumentJoiner，可以確保文檔集合的整合過程既高效又準(zhǔn)確，從而提升整體的信息檢索和處理能力。

除了以上5中模塊化 RAG 增強(qiáng)外，Spring AI Alibaba 還提供了檢索增強(qiáng)顧問（RetrievalAugmentationAdvisor）和 Document Selection （文檔選擇）以及 Error Handling and Edge Cases (錯誤處理和邊界情況）等強(qiáng)大功能。

3、Spring AI Alibaba 結(jié)構(gòu)化 RAG 最佳實踐

在部署和運行 RAG 系統(tǒng)過程中，我們需要從多個方面來優(yōu)化系統(tǒng)性能。以下是一份全面的優(yōu)化指南：

第一、文檔處理優(yōu)化策略

1.文檔結(jié)構(gòu)優(yōu)化

• 結(jié)構(gòu)化內(nèi)容：確保文檔包含明確的結(jié)構(gòu)，例如案例編號、項目概述、設(shè)計要點等。
• 元數(shù)據(jù)標(biāo)注：為每個文檔添加豐富的元數(shù)據(jù)。

2.文檔切割策略

• 智能分塊算法：采用智能分塊算法來保持語義的連貫性。
• 知識碎片標(biāo)簽：為每個知識碎片打上標(biāo)簽。
• 文檔大小控制：保持文檔大小適中，避免過長或過短。

第二、檢索增強(qiáng)策略

1.多查詢擴(kuò)展

• 啟用多查詢擴(kuò)展機(jī)制：提高檢索的準(zhǔn)確性。
• 查詢數(shù)量設(shè)置：建議設(shè)置3-5個查詢。
• 核心語義保留：保留原始查詢的核心語義。

2.查詢重寫和翻譯

• 優(yōu)化查詢結(jié)構(gòu)：使用??RewriteQueryTransformer??。
• 多語言支持：配置??TranslationQueryTransformer??。
• 語義完整性：保持查詢的語義完整性。

第三、系統(tǒng)配置優(yōu)化策略

1.向量存儲配置

• 選擇合適的向量存儲方案

SimpleVectorStore vectorStore = SimpleVectorStore.builder(embeddingModel)
    .build();

• 數(shù)據(jù)規(guī)模存儲方式選擇：根據(jù)數(shù)據(jù)規(guī)模選擇內(nèi)存、Redis 或 MongoDB 存儲。

2.檢索器配置

DocumentRetriever retriever = VectorStoreDocumentRetriever.builder()
    .vectorStore(vectorStore)
    .similarityThreshold(0.5)    // 相似度閾值
    .topK(3)                     // 返回文檔數(shù)量
    .build();

• 設(shè)置合理的相似度閾值：
• 控制返回文檔數(shù)量。
• 配置文檔過濾規(guī)則。

第四、錯誤處理機(jī)制

1.異常處理

• 允許空上下文查詢。
• 提供友好的錯誤提示。
• 引導(dǎo)用戶提供必要信息。

2.邊界情況處理

ContextualQueryAugmenter.builder().allowEmptyContext(true).build()

• 處理文檔未找到情況：
• 處理相似度過低情況。
• 處理查詢超時情況。

第五、系統(tǒng)角色設(shè)定

1.AI 助手配置

ChatClient chatClient = builder.defaultSystem("你是一位專業(yè)的顧問，請注意：\n"+
"1. 準(zhǔn)確理解用戶需求\n"+
"2. 結(jié)合參考資料\n"+
"3. 提供專業(yè)解釋\n"+
"4. 考慮實用性\n"+
"5. 提供替代方案")
.build();

• 設(shè)定清晰的角色定位
• 定義回答規(guī)范
• 確保專業(yè)性和實用性。

第六、性能優(yōu)化建議

1.查詢優(yōu)化

• 使用文檔過濾表達(dá)式。
• 設(shè)置合理的檢索閾值。
• 優(yōu)化查詢擴(kuò)展數(shù)量。

2.資源管理

• 控制文檔加載數(shù)量。
• 優(yōu)化內(nèi)存使用。
• 合理設(shè)置緩存策略。

通過遵循以上最佳實踐，可以構(gòu)建一個高效、可靠的 RAG 系統(tǒng)，為用戶提供準(zhǔn)確和專業(yè)的回答。這些實踐涵蓋了從文檔處理到系統(tǒng)配置的各個方面，Spring AI Alibaba 能夠幫助開發(fā)者構(gòu)建更好的 RAG 應(yīng)用。

?? 輪到你了：你認(rèn)為 RAG 企業(yè)級落地還有哪些注意點？

本文轉(zhuǎn)載自??玄姐聊AGI??  作者：玄姐