RAG挑战赛是什么？
任务是基于企业年报构建问答系统。比赛日的流程简而言之：
- 解析阶段：获得100份随机企业的年报（PDF格式，每份最多1000页），限时2.5小时完成解析并构建数据库。
- 问答阶段：系统需在最短时间内回答100道根据模板生成的随机问题。
所有问题必须有明确答案类型，例如：
- 是/非题；
- 公司名称（或多选情况）；
- 管理层职位、新产品名称；
- 数值指标：营收、门店数量等。
每个答案必须附带证据页码，确保系统真实检索而非杜撰。
冠军系统架构：
伊利亚·莱斯揭秘了他构建最佳RAG系统并在企业RAG挑战赛中夺冠的独门秘籍。他包揽了所有奖项类别和SotA排行榜的双料冠军。源代码。
除了基础流程，获胜方案还包含两个路由器和LLM重排序模块
完整问答示例可查看这里。
接下来将详细拆解系统构建的每一步，包括踩过的坑和发现的最佳实践。
RAG极速入门
RAG（检索增强生成）通过将大语言模型（LLM）与任意规模的知识库结合，扩展了LLM的能力边界。
基础RAG系统开发流程：
- 解析：将原始文档转换为文本并清洗噪声。
- 入库：构建并填充知识库。
- 检索：根据查询定位相关数据，通常采用向量数据库的语义搜索。
- 生成：用检索结果增强用户提问，通过LLM生成最终答案。
1. 解析：与PDF的搏斗
将PDF转为纯文本是个充满陷阱的战场：
- 保留表格结构
- 维护标题/列表等关键格式
- 识别多栏文本
- 处理图表/图像/公式/页眉页脚等
遇到的奇葩PDF问题（未解决版）：
- 90度旋转的表格 ：解析后变成天书
- 图文混合的图表：文字层和图片层打架
- 字体编码陷阱 ：肉眼可见但复制即乱码
趣味发现：部分乱码实为凯撒密码，每个单词的ASCII位移量不同。这是防抄袭还是转换事故？至今成谜。
解析器选型
测试了二十余种解析器后，IBM开发的Docling脱颖而出。但仍需魔改源码：
- 新增JSON元数据输出
- 支持MD/HTML格式表格转换
- 通过GPU加速（租用4090显卡云服务器，每小时0.7美元）
最终40分钟解析15万页，速度碾压其他选手。
2. 入库：知识库的诞生
分块策略
- 原始方案：整页作为块（约2000词）
- 优化方案：300词分块+50词重叠（语义相关性提升30%）
- 每个块记录元数据：ID+父页码
向量化
- 数据库：100个独立FAISS库（每企业对应一个）
- 索引类型：
IndexFlatIP（暴力搜索保证精度） - 嵌入模型：
text-embedding-3-large
3. 检索：寻找圣杯的旅程
混合搜索（弃用）
向量搜索+BM25关键词搜索的合体技，但效果不如预期。
重排序三选一
- 交叉编码器：精度高但速度慢（Jina Reranker表现佳）
- LLM重排序 ：GPT-4o-mini打分，性价比之王
- 提示词模板：点击查看
- 父页面检索：先定位相关块，再返回整页内容
最终方案组合拳：
- 向量搜索Top30块
- LLM重排序（权重0.7）
- 返回Top10完整页面
4. 生成：提示词的艺术
路由策略
- 企业路由：用正则匹配问题中的公司名，秒级定位对应数据库
- 问题类型路由：根据答案类型（数值/布尔/列表等）动态选择提示词模板
复合问题处理
示例问题："苹果和微软谁的营收更高？"
- 拆解为："苹果的营收？"+"微软的营收？"
- 分别检索后比较
思维链（CoT）的精髓
通过结构化输出强制LLM分步推理：
javascript
class AnswerSchema(BaseModel):
step_by_step_analysis: str # 详细推理过程
reasoning_summary: str # 结论摘要
relevant_pages: List[int] # 证据页码
final_answer: Union[str, int, float] # 严格格式化答案提示词打磨心法
- 为每种问题类型定制指令（例如数值必须去除货币符号）
- 包含单样本示例（示范完美回答格式）
- 通过200+次迭代优化措辞
5. 性能与意外发现
速度
- 全量100问仅需2分钟（利用OpenAI的TPM限速阈值）
- 批处理25问/请求
反直觉结论
- 表格序列化：虽酷炫但降低效果（干净表格无需额外处理）
- 小模型潜力：Llama 8B击败80%参赛者
6. 终极秘籍
冠军系统的魔法不在某个"银弹"，而在于：
- 深度理解问题：手动标注验证集200+问题
- 模块化设计：每个组件可单独调参测试
- 细节偏执：从PDF解析到提示词标点皆有规范
伊利亚开放了完整源码