公開分享，突破開源RAG短板的5大關(guān)鍵策略！
在 AI 蓬勃發(fā)展的時(shí)代，智能問(wèn)答助手已深度融入我們的工作與生活。
但不同智能助手的表現(xiàn)參差不齊，有的常常含糊其辭、答非所問(wèn)；有的卻精準(zhǔn)流暢，宛如行業(yè)專家。
其實(shí)，這一巨大差距的根源，在于是否應(yīng)用了RAG（檢索增強(qiáng)生成）技術(shù)，以及是否攻克了RAG技術(shù)的關(guān)鍵瓶頸。
開源RAG的優(yōu)勢(shì)和短板
RAG技術(shù)改變了傳統(tǒng)的智能問(wèn)答模式。傳統(tǒng)模式需把大量文檔納入大模型訓(xùn)練，成本高、耗時(shí)久，知識(shí)更新還得重新訓(xùn)練，效率低下。
RAG 技術(shù)則在大模型外構(gòu)建獨(dú)立文檔檢索系統(tǒng)。用戶提問(wèn)時(shí)，系統(tǒng)先從文檔庫(kù)精準(zhǔn)篩選相關(guān)片段，再與問(wèn)題一同輸入大模型生成回答。
使企業(yè)無(wú)需大規(guī)模訓(xùn)練大模型，就能快速運(yùn)用最新文檔知識(shí)，大幅提升響應(yīng)速度與回答準(zhǔn)確性，降低企業(yè)知識(shí)管理成本和維護(hù)難度。
RAG技術(shù)示意
然而，開源 RAG 技術(shù)也存在顯著局限。
#在文檔切分上，面對(duì)含多層級(jí)標(biāo)題、交叉引用、嵌套段落等復(fù)雜結(jié)構(gòu)的專業(yè)文檔，只能依靠簡(jiǎn)單規(guī)則按固定字?jǐn)?shù)或段落切分，致使片段過(guò)長(zhǎng)含冗余或過(guò)短致語(yǔ)義破碎，影響大模型對(duì)核心要點(diǎn)的把握，降低問(wèn)答質(zhì)量；
#向量召回策略先天不足，僅 60 - 70% 的文檔召回命中率，導(dǎo)致大量相關(guān)文檔遺漏，限制大模型生成回答時(shí)的參考信息，削弱回答全面性與準(zhǔn)確性；
#檢索重排環(huán)節(jié)，缺乏有效機(jī)制精準(zhǔn)判斷召回片段與用戶問(wèn)題的語(yǔ)義相關(guān)性，僅靠基礎(chǔ)方式排序，面對(duì)隱晦問(wèn)題無(wú)法將關(guān)鍵內(nèi)容前置，使大模型因參考信息無(wú)序難以生成條理清晰、針對(duì)性強(qiáng)的答案。
突破開源RAG短板的5大關(guān)鍵策略
01創(chuàng)新性切分算法重塑回答精準(zhǔn)度
深度語(yǔ)義與結(jié)構(gòu)分析：金現(xiàn)代自研了一套切分算法，將其應(yīng)用在小金智問(wèn)智能問(wèn)答平臺(tái)當(dāng)中。與市面上常規(guī)切分算法不同，它突破了僅以段落、句子為依據(jù)的刻板模式。
通過(guò)實(shí)踐驗(yàn)證以及眾多客戶的真實(shí)反饋，該算法能夠深入到文檔結(jié)構(gòu)與語(yǔ)義層面，充分利用大綱、目錄、章節(jié)、標(biāo)題等多維度關(guān)鍵信息，對(duì)文檔進(jìn)行精準(zhǔn)切分。
在處理文檔時(shí)，它能精準(zhǔn)把握段落邏輯與內(nèi)容關(guān)聯(lián)，確保切分后的文本片段長(zhǎng)短適宜，語(yǔ)義連貫且完整。
這種切分方式為智能問(wèn)答提供更優(yōu)質(zhì)、準(zhǔn)確的信息輸入，大幅提升了智能問(wèn)答的準(zhǔn)確性。
表格與公式解析突破：針對(duì)文檔中的表格和公式，金現(xiàn)代研發(fā)了基于類HTML 解析語(yǔ)法的表格理解增強(qiáng)技術(shù)（已申請(qǐng)專利）。
這一技術(shù)能夠幫助大模型更準(zhǔn)確地理解表格中數(shù)據(jù)的真實(shí)語(yǔ)義。
以差旅報(bào)銷住宿標(biāo)準(zhǔn)為例，大模型借助該技術(shù)可以清晰地識(shí)別各數(shù)據(jù)所代表的指標(biāo)以及數(shù)據(jù)之間的關(guān)聯(lián)，準(zhǔn)確回答諸如 “北京出差的住宿標(biāo)準(zhǔn)” 等針對(duì)表格的復(fù)雜問(wèn)題。
表格解析示意
02自主召回策略擴(kuò)大知識(shí)覆蓋
開源 RAG 技術(shù)的向量召回策略，其召回文檔命中率在 60 - 70%。
金現(xiàn)代采用自研的向量召回 + 關(guān)鍵詞召回的多路召回策略，成功將召回的文檔命中率提升至 85% 以上。
向量召回通過(guò)優(yōu)化向量空間模型，更精準(zhǔn)地計(jì)算語(yǔ)義相似度；關(guān)鍵詞召回則基于對(duì)文檔內(nèi)容的深入詞法、句法分析，精準(zhǔn)提取關(guān)鍵信息。
這一創(chuàng)新策略大大擴(kuò)充了大模型在生成回答時(shí)可參考的知識(shí)范圍，為提供更全面、準(zhǔn)確的回答奠定了堅(jiān)實(shí)基礎(chǔ)。
03智能檢索重排優(yōu)化信息呈現(xiàn)
金現(xiàn)代引入檢索重排（Rerank）技術(shù)，并采用 Cross - Encoder 模型對(duì)召回片段進(jìn)行二次排序。
該模型能夠聯(lián)合編碼查詢問(wèn)題與召回文檔片段，精準(zhǔn)捕捉二者之間的語(yǔ)義相關(guān)性，使更相關(guān)的片段排在更靠前的位置。
使得大模型生成的回答更具針對(duì)性和準(zhǔn)確性，有效避免了無(wú)關(guān)或低相關(guān)信息對(duì)回答的干擾。
04可視化切分配置滿足個(gè)性需求
為滿足企業(yè)多樣化的個(gè)性需求，金現(xiàn)代提供了可視化切分配置方法。
在實(shí)際操作中，切分方案可能因業(yè)務(wù)變化、文檔更新等因素出現(xiàn)不合理的情況。有了可視化切分配置，企業(yè)無(wú)需擔(dān)憂復(fù)雜的技術(shù)流程或依賴外部技術(shù)支持。
通過(guò)直觀的操作界面，可自主完成對(duì)切分片段的編輯、修改、合并等操作，高效解決切分不合理的難題，保障知識(shí)管理工作順暢推進(jìn)。
05嚴(yán)密權(quán)限控制保障數(shù)據(jù)安全
金現(xiàn)代擁有一套完整的權(quán)限控制體系，這意味著傳遞給大模型的知識(shí)均經(jīng)過(guò)嚴(yán)格的權(quán)限過(guò)濾。
以一個(gè)擁有多個(gè)部門的企業(yè)為例，市場(chǎng)部員工僅能訪問(wèn)與市場(chǎng)業(yè)務(wù)相關(guān)的文檔，研發(fā)部員工只能查看研發(fā)相關(guān)資料。
即使大模型功能強(qiáng)大，也無(wú)法獲取超出員工權(quán)限范圍的知識(shí)，從根本上杜絕了數(shù)據(jù)泄露的風(fēng)險(xiǎn)。
金現(xiàn)代將以上技術(shù)應(yīng)用在小金智問(wèn)智能問(wèn)答平臺(tái)中，目前已在多家客戶的實(shí)際業(yè)務(wù)場(chǎng)景中成功落地，具有高準(zhǔn)確性、強(qiáng)安全性、低成本的顯著優(yōu)勢(shì)。未來(lái)，金現(xiàn)代會(huì)持續(xù)提供高效、精準(zhǔn)的智能化服務(wù)，為企業(yè)的持續(xù)創(chuàng)新與發(fā)展賦能。