0、RAG 簡介

RAG（Retrieval Augmented Generation）結合知識庫檢索與大模型回答，確保信息可靠且精準，同時節省了微調成本。

RAG 流程簡要概括為3步，對應其名：

1、檢索：借助 Embedding，將問題轉化為向量，比對知識庫，選取最相關的 Top K 知識。

2、增強：結合檢索出的上下文和問題，構造 Prompt。

3. 生成：將 Prompt 輸入大模型，產出答案。

從工程視角劃分，RAG 實施分為兩階段：

階段一：離線數據預處理：涵蓋知識文件導入、文本切分、向量構建及數據庫存儲，完成知識的索引構建。

階段二、在線應用推理執行：實時執行信息檢索與大模型內容生成任務，實現交互式問答流程。

1、數據準備階段的挑戰一

挑戰一：文本劃分不當，影響檢索內容的精確度與全面性。

文本塊的劃分尺寸直接關系到查詢時與用戶提問的貼合度：過小的區塊可能無法涵蓋問題所有相關內容；反之，過大則易引入冗余信息。

當前多種文本切分策略存在，但理想的切分方法需貼合特定領域文檔特性，考慮因素包括文件格式、作者書寫習慣及表述模式等。因此，選取最合適的切塊策略需依據具體情況，并可能針對文檔的不同類別采取定制化處理。核心在于確保分割邏輯遵循語義完整性，以實現內容的有效組織。

2、數據檢索階段的挑戰二

挑戰二：盡管向量檢索作為主流方法依賴于相似度評估，但它亦面臨多方面局限。

1、語義理解偏差：向量表示偶爾難以區分近義概念的細微差異，可能引起誤解。

2、維度考量失衡：如余弦相似度側重向量方向而非其規模，可能導致雖方向相近但在意義層面相去甚遠的匹配。

3、信息粒度不協調：用戶查詢的精確向量可能指向具體信息點，而數據庫條目若是寬泛主題，則檢索結果易過度泛化。

4、上下文匹配不足：現有向量搜索技術偏向整體相似性判斷，可能忽略局部或特定上下文中的更高相似度信息。

5、稀疏數據檢索難：在大規模知識庫中定位關鍵片段尤為困難，特別是當所需信息零散分布于多文檔時，此挑戰更為顯著。

3、數據檢索階段的挑戰三

挑戰三：多個檢索結果排名和優先級不合適，導致大模型的回答沒有抓住重點。

準確評估并排序多個檢索片段對于生成高質量回答極為關鍵，此過程需精密平衡各段落的相關性和重要性。這不僅考驗著排序算法的有效性，還隱含了對領域知識深入理解的需求，以便在信息篩選與排序階段實現智能化決策。

4、大模型生成階段的挑戰四

挑戰四：提升 Prompt 設計以引導大模型依據既有知識庫與提示詞，輸出更佳答案是一項重大任務。

Prompt 創作遠超于問題與檢索材料的直接整合，它要求根據生成模型的獨特性，采取定制化的表述策略與附加指導。為了約束大模型潛在的泛化偏差，確立一個恒定的“角色框架”顯得尤為關鍵，比如：明確指示大模型“扮演該領域的權威學者”，或“僅限于利用提問與關聯素材進行精要概述與總結”，從而在各種情境下維持回答的精準度與相關性。

5、大模型生成階段的挑戰五

挑戰五：確保大模型回應的連貫性與一致性，面臨的信息整合難題尤為突出。

大模型需面對的挑戰在于，整合源自多樣文獻的知識碎片，以及用戶提問中多關鍵詞觸發的多樣化內容。在此基礎上，大模型必須展現出高度的整合能力，使得最終的輸出結果不僅在邏輯鏈條上緊密相連，而且在觀點與事實的呈現上保持高度一致，這一過程對大模型的綜合推理與銜接能力提出了嚴峻考驗。

6、大模型生成階段的挑戰六

挑戰六：大模型如何更好地理解領域知識片段。

各個大模型在掌握特定領域知識及專業術語的深度不一，致使它們在解析檢索到的信息及構造反饋時展現出差異性。縮小這一差距的關鍵，在于實施針對性的微調策略，旨在強化大模型對該領域的語言理解力及內容生成的精準度，從而促進其更深層次地融入與適應專業話語體系。

7、知識準備階段的挑戰七

挑戰七：優化 RAG 的瓶頸：確保高效且可靠的問答對供給。

在追求 RAG 系統性能巔峰的過程中，大量高質量的問答對用作調優數據顯得至關重要。盡管廣泛認同豐富 QA 對的積累能極大促進調優效果，但手動創建這些資源無疑是一項耗時巨大的工程，而依賴自動化生成則可能犧牲內容的可靠性。因此，探索一種既能保證效率又能維護準確性的 QA 對生成機制，成為決定 RAG 系統最終成效的核心挑戰。

8、意圖識別階段的挑戰八

挑戰八：界定合理拒答的微妙平衡。

面對用戶提問，尤其當問題超越了現有文獻資料范疇時，恰當時機的拒答成為一大考驗。應當在無法給予確切信息時勇于說“不知道”，以免提供錯誤引導。實踐中，雖常借助相似度閾值或場景語料庫作為判斷標尺，卻依然難以實現百分之百的精準。過于頻繁的拒答可能導致用戶體驗冷漠，而過度猜測回答又可能損害系統信譽。因此，拿捏拒答的恰當火候，成為維護問答系統信譽與用戶信任的關鍵。

9、多模態 RAG 的挑戰九

挑戰九：多模態的支持是必然趨勢。

在多模態 RAG 的研究中，針對不同的模態，包括：圖像、代碼、結構化知識、音頻和視頻，有不同的檢索和合成程序、目標任務和挑戰。比如：通過圖像檢索擴展文本生成的上下文，利用樣例代碼和相關文檔增強代碼生成等等。

10、RAG 評價的挑戰十

挑戰十：科學衡量 RAG 在特定領域的實用性門檻。

評估 RAG 在某一領域的應用成熟度，類似于采用 RAGAs 評估框架，需獨立提供問題(question)與標準答案(ground_truth)，這使得評估結果高度依賴于問題設計的合理性與標準答案的準確性。

此外，評估流程的復雜性—涉及大模型及嵌入模型的性能，進一步要求模型本身的穩定可靠，以及輸入 Prompt 的精確無誤，否則評估指標將失去可信度。因此，確保大模型與 Prompt 的質量，成為驗證 RAG 應用效能的關鍵挑戰。

本文轉載自公眾號玄姐聊AGI  作者：玄姐

原文鏈接：??https://mp.weixin.qq.com/s/FBaZDPq5wh3WSliEDcBXXw??