blog-hexo/source/_posts/AI/rag.md

---
title: RAG知识库召回率
categories:
  - AI
status: done
abbrlink: 21037
---

# 通用的RAG方案的召回率

不一定召回率越高越好，对于准确性也需要考虑，通用的召回率大概在`70%`，不论是`dify`还是`fastgpt`，对于生产场景，要求起码到`90%`的水平


# 如何提升召回率

首先是针对搜索query来说，通过文本框的`打字输入`的角度，人类一定是倾向于偷懒，只输入关键词，这就是给表达真实意图带来的难度。

语音交互，才有可能让大家使用起来更舒服。

## 数据预处理

针对`LLM`模型来说，数据治理变的很重要，在数据切分的过程中，需要符合人的逻辑去`分词`。按照人的逻辑，例如：表格、章节、目录……

### 分词 chunk

`chunk`的`size`越大，召回越少。但是分的越精细，同样会损失上下文连贯性


# 意图分类 

用户提问的内容，很短、缩写的情况，如何命中用户的`真实意图`。

## 缓存库

可以做一个缓存库，直接命中返回结构就行，不需要走`LLM`

## QA

处理成`QA`的格式，类似 `xxx企业的董事长是谁`，答案是必须正确的，上一代的客服系统必备。直接数据级别的匹配就行,召回一般都是比较准确的。

## 关键词+词典+迭代

成本非常低，可控。思路是帮用户模糊，先提取关键词，再结合词典的词条解释，让表达更加的领域话、专业化，再扔给大语言模型。

例如：某个提问`什么是RAG`，首先`RAG`对应的解释是：`增强向量检索的知识库`，那对应又引入的新的`关键词`，继续递归对新的`关键词`给出解释，通常迭代个`2-5轮`，就会有非常好的召回效果。字典里面通常会定义：同义词、类别、上下关系。私用飞书的话，内部标准自带一个`词典`应用，统一的业务领域的知识、语言体系。并且提供`api`从词典中提取关键字。直接通过关键字，把词条的内容读取出来。文本提取`关键词`也有很多开源模型能够提取，但是针对某些专业领域，一些开源不一定具备这样的提取能力。

针对某些场景例如`2021年的xxxx`，同样的`2022年的xxxx`也发生了，使用`embedding`容易给错误召回的，而`ES`的效果会更好。相当于通过从用户的问题中，捕捉关键词，然后通过这些`关键词`去库里召回。这样的`关键词`，可以不断的积累`字典`,针对关键词给解释。

但是针对有日期、数字类的一般效果会非常不好，可以考虑采用`nl2sql`的方案，使用`fine-tuning`，能够做到召回率`90%`，有专门的模型针对这块，例如微软的`RAT-SQL`模型。

针对`excel`类型的文件，直接把数据存到一张`宽表`中，不要跨表，降低复杂度。针对`nl2sql`的开源模型的能力基本都是`单表`，基本可以达到预期


## 知识图谱

难点在于构建知识图谱，例如`dify`在针对某些回答不满意的情况，可以对回复进行修正。这样的话会让下次回答更加可控

# embedding哪个算法好

目前openai的最好，能够输入1536个输入，输出结果能切分到700多个维度。针对模型来说，重要性并不是很高。可以考虑替代方案。差距不会非常大，从实际角度来说，并不是很重要。

# 国内知识库方案哪些底座比较好

`qWen` 和 gpt 做过对齐，然后 `14B`、`72B int4` 效果就比较好，虽然比较慢，针对中文语料还是比较好的。

另一个就是 `yi-34b` 也还行。

# 如何设计大模型测试样本

从用户的提问当中，选取50-100个场景，作为`大模型`选择、`知识库`效果的测评的数据集，例如需要测`text2sql`的场景的模型效果，首先就是要找到哪些查询的频次最高。

# RAG的发展方向

1. 知识库作为专业领域的基座，大模型一定是无法覆盖的
2. 从用户的角度来说，大厂商可能会说服开发者去接入自家agent，贡献领域知识
3. 逐渐变成 Agent 场景下的底层设施，有清晰地 SOP，目标明确