懂AI
rag-demystified

rag-demystified

探讨检索增强生成（RAG）管道的内部机制，揭示其技巧、局限性和成本

本项目深入探讨了检索增强生成（RAG）管道的内部机制，揭示其技巧、局限性和成本。通过LlamaIndex和Haystack框架，了解如何构建和优化RAG管道，并解决透明度和错误问题。详细分析了子问题查询引擎的工作原理，帮助用户理解复杂的RAG管道的关键组成部分和面临的挑战。

RAG pipelinesLLMsLlamaIndexHaystackEvaDBGithub开源项目
访问官网GitHub论文文档

项目介绍：RAG-Demystified

RAG 概述

RAG，全称为检索增强生成（Retrieval-Augmented Generation），是当前热门的大型语言模型（LLM）问答系统的先进人工智能范式。它通常包含三个核心组件：

  1. 数据仓库：这是一个信息集合库，存储了与问答任务相关的各种数据源（比如文档、表格等）。

  2. 向量检索：针对一个给定问题，通过向量存储系统（如 Faiss）找到与问题最相似的前 K 个数据块。

  3. 响应生成：利用大型语言模型（比如 GPT-4），根据之前选取的最相似数据块生成回答。

RAG 相比传统的问答系统有两大优势：一是因数据仓库的实时更新，信息总是保持最新；二是允许来源追溯，让用户可以明确了解信息来源，验证准确性并减少模型产生的虚假信息。

构建高级 RAG 管道

为了应对更复杂的问题，像 LlamaIndex 这样的近期 AI 框架引入了先进的抽象，比如"子问题查询引擎"。该应用通过使用子问题查询引擎，揭示高级 RAG 管道的内部机制。过程中，将高级抽象简化为核心组件，并识别其中的一些挑战。

架构设置

我们的数据仓库包含关于不同城市的维基百科文章，每篇文章作为一个独立数据源。在这个示例中，我们设定的问题可能是：

  • “芝加哥的人口是多少？”
  • “请总结亚特兰大的积极方面。”
  • “哪个城市人口最多？”

这些问题可能是针对单一数据源的简单事实/总结问题，或是涉及多个数据源的复杂问题。

调料秘方

先进的 RAG 管道中，每个组件实际上由单次 LLM 调用驱动。整个管道是一系列精心设计的模板提示，通过这些模板提示，复杂任务得以实现。

子问题查询引擎的内部机制可以分解为如下三个步骤：

  1. 子问题生成：将复杂问题拆解为多个子问题，每个子问题配以合适的数据源和检索方法。
  2. 向量/摘要检索：根据选定的检索方法和数据源，获取相关信息。
  3. 响应聚合：将子问题回答汇总为最终回答。

任务细节

  • 任务1：子问题生成：将复杂问题拆解为子问题，并为每个子问题确定适当的数据源和检索方法。

  • 任务2：向量/摘要检索：对于每个子问题，采用选定检索方法从相应数据源检索信息。例如，通过向量检索方法获取芝加哥人口数据。

  • 任务3：响应聚合：将子问题的回答整合为最终答案。

面临的挑战

高级 RAG 管道具有许多复杂性：

  1. 问题敏感性：系统对问题非常敏感，不同的用户问题可能导致管道出现意想不到的错误。

  2. 成本问题：高级 RAG 管道的成本与生成的子问题数量、使用的检索函数及查询的数据源有关。这些不透明且敏感的成本结构对系统构建带来了挑战。

结论

虽然 LLM 驱动的高级 RAG 管道在问答系统中发挥了变革性作用，但其背后依赖的精细提示模板和多次链式 LLM 调用使其并非简单的一键解决方案。了解其内部机制有助于开发出更健壮、效率更高的系统，实现其最大潜力。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多