这部分笔记是关于RAG系统中文档索引与存储部分(下一篇关于检索与生成),感觉挺适合作为checklist用于对自己的系统查漏补缺的,同样先放一张整体的架构图:
1、Encoder
Encoder将查询输入的文本转换为向量(其实就是embedding),在RAG应用中这可能是最重要的一个部分,在embedding模型的选择和评估上可以参考下面的一些方法
- MTEB Benchmark:这个benchmark对很多embedding模型进行了打分,并且列出来了这些模型的大小、输出维度等(包括openai的模型),可以作为一个参考:huggingface.co/spaces/mteb...
- 自定义评估:如果数据集包含敏感数据,或者是很小众的领域,可能需要自定义一些评估手段以获得比较好的效果,有几种比较常用的方法: 通过标记来评估:生成一个数据集并对其打标签,使用检索的指标来定量评估(例如MRR和NDCG) 通过模型来评估:同样生成数据集并打标签,但是用LLM来评估embedding模型的相对性能,再对排名最高的三个进行手动筛选
除了效果之外,还有一些因素是需要关注的:
- 查询和索引成本:例如早期用openai等第三方的api会更加简单且便宜,自己部署模型需要考虑gpu成本和延时,还需要自己操心运维
- 向量数据库成本:如果文本量比较大,需要存储大量的embedding数据和文档片段,在选择embedding维度的时候需要仔细计算这方面的成本,向量数据库通常是按存储大小收费的(血泪教训+1)
- 语言:如果用户会使用多语言,那么embedding最好也能支持多种语言
- 搜索延迟:搜索的延迟与embedding的维度是线性增长的,如果对延迟要求比较高最好用输出维度比较低的embedding
- 隐私:如果输入数据涉及到用户隐私,那么openai等公开api则不够安全
2、文档解析
在RAG应用中我们需要将外部的文档索引后进行存储,以便在查询的时候进行检索,一个好的RAG系统应该支持多种格式输入,例如pdf/word/excel等,除了文档本身的内容之外,还需要提取其他相关的信息:例如表格数据、图像的ocr识别、文件的meta信息、甚至文档中超链接的内容等,总之这部分内容挺繁琐的。
3、文档分块
选择合适的文档分块方法是至关重要的,如果太小则无法正确回答问题,如果太大则会有很多噪声,并且难以检索,这个视频在这方面做了很详细的介绍:youtube.com/watch?v=qaP...。对于特定领域的数据,还需要领域知识来进行调整,例如对于python的代码会基于def/class关键字来进行分块,可以参考这个文章:rungalileo.io/blog/master...
4、Indexer
Indexer负责管理文档的索引,和数据库系统很像,有很多类似的软件工程上的挑战:
- Scale的问题:随着文档的增加,依旧要能快速的进行检索
- 实时、一致性与原子性:如果一套系统会有大量并发的增删改查,这里会有挑战
- 优化存储空间:存储大量的索引会有很大的存储成本,如何保持服务可用性的同时减少存储空间也是一种挑战
- 监控:对于索引相关的问题需要有全面的监控,例如索引失败、资源瓶颈、索引过期等问题要及时发现
5、数据存储
系统中的数据存储包括以下几个部分:
- embedding:单独存储在向量数据库中
- 文档:pdf文件等,用s3等存储系统
- 聊天记录/用户反馈等:存储在sql表中
6、向量数据库
向量数据库在整个系统中是很关键的一环,目前市面上有很多产品,这个网站对不同的向量数据库进行了详细的比较,可以参考下:superlinked.com/vector-db-c...。在选择向量数据库的时候需要考量下面这些因素:
-
recall和latency的tradeoff:不同的索引方式(Flat, HNSW, PQ等)有不同的倾向,根据自己的需求来选择
-
成本:SaaS服务的向量数据库通常根据存储量大小和检索量来收费,同样也可以自己部署开源产品,但需要操心运维
-
插入/查询速度的tradeoff:大多数情况下会优先考虑查询速度,需要对二者都做压测
-
内存/硬盘存储:同样也是速度与成本之间的tradeoff,一些新的索引可以实现在硬盘上的高效索引(例如DiskANN中的Vamana)
-
混合检索:单独的向量检索可能效果会不够好,有的向量数据库可以实现sparse和dense的混合检索,并提供一个超参数用于调整两边的权重,例如Pinecone,可以参考这篇文章:pinecone.io/learn/hybri...
-
过滤:通常我们在检索的时候,会需要根据metadata进行一些过滤,这种过滤可分为检索前过滤和检索后过滤,检索前过滤可能会丢失一些相关结果,检索后过滤则会提高计算成本,尤其是满足过滤条件的数据占比较小的时候,有的向量数据库可以自定义过滤方式,例如Weaviate。