引言
T-RAG方法基于将检索增强生成（Retrieval-Augmented Generation，简称RAG）架构与开源经过微调的大型语言模型（Large Language Model，简称LLM）以及实体树向量数据库相结合。这种方法的重点在于上下文检索。
具体来说，T-RAG系统:
- 首先利用RAG架构进行信息检索，这一架构通过结合检索到的文档片段和生成的文本来生成响应。
- 通过在开源的LLM上进行微调，使得模型能够更好地理解和适应特定组织的需求和术语。
此外，T-RAG还包括了一个实体树向量数据库 ，这个数据库存储了组织内部实体的详细信息及其层级结构。在处理用户查询时，系统不仅会搜索相关的文档片段，还会检测查询中提到的任何组织相关实体，并将这些实体的详细信息整合到生成的上下文中。
本文分享了在私有文件上部署问答系统的LLM应用的经验，使用了一种名为Tree-RAG（T-RAG）的系统，该系统结合了实体层次结构以提高性能。
亮点
在论文中，研究人员开发了一个应用，该应用将检索增强生成（RAG）与微调后的开源大型语言模型（LLM）结合在一起，用于生成响应。这个模型是使用指令数据集进行训练的。
他们引入了一个新颖的评估指标，称为Correct-Verbose，旨在评估生成响应的质量。这个指标根据其正确性评估响应，同时考虑包含超出原始问题范围的额外相关信息。
T-RAG
以下是Tree-RAG（T-RAG）的工作流程：
对于给定的用户查询，搜索向量数据库以寻找相关的文档片段，这些片段作为LLM在上下文学习中的参考知识。
如果查询提到了有组织性的实体，那么将从实体树中提取关于这些实体的信息，并添加到上下文中。
最终使用微调的Llama-2 7B模型根据输入的数据生成响应。
T-RAG的一个特点是除了向量数据库用于上下文检索之外，还包括了一个实体树。
实体树
T-RAG的一个显著特点是其结合了实体树和向量数据库来进行上下文检索。实体树存储了组织性的实体及其层级安排的详细信息。
这里所说的组织性是指：很多时候，一些概念本身是有组织的，比如一家公司的各个部门，会有一些层级关系。树中的每个节点代表一个实体，父节点表示其所属的一个更广义的实体，比如一个小组的父节点是其所属的部门。
在检索过程中，框架利用实体树来增强从向量数据库检索到的上下文。
实体树搜索和上下文生成的详细过程如下：
- 一个解析模块扫描用户查询，寻找与组织内实体名称相对应的关键词。
- 一旦识别出一个或多个匹配项，就从树中提取每个匹配实体的详细信息。
- 这些细节被转换成文本陈述，提供有关实体及其在组织层级中位置的信息。
- 随后，这些信息与从向量数据库检索到的文档片段合并，构建上下文。
- 由此，当用户询问有关实体时，模型可以获得有关实体及其在组织层级中的定位的相关信息。
例子
如下图所示：
这里使用了一个组织结构树，来展示如何执行树搜索和检索。
除了获取上下文文档外，还使用spaCy库和自定义规则来识别组织内的命名实体。
如果查询包含一个或多个这样的实体，将从树中提取有关实体层级位置的相关信息，并将其转换为文本陈述。然后，这些陈述被整合到上下文中，与检索到的文档一起使用。
然而，如果用户的查询没有提到任何实体，那么将省略树搜索过程，只使用从检索到的文档中获取的上下文以加速响应。
总结
这项研究结合了检索增强生成（RAG）和微调技术。同时，使用在本地部署的开源模型来解决数据隐私问题，。
此外，通过spaCy框架使用实体进行实体搜索和上下文生成也很有趣。通过这种方式，T-RAG能够在提供准确和相关响应的同时，保持对上下文的敏感性和对组织内部结构的理解。这种结合检索、生成和实体检测的方法，为构建高效、可靠的问答系统提供了一种有效的解决方案。