内容参考于：图灵AI大模型全栈
实现一个RAG的流程：
首先加载文件，然后读取文件中的文本，然后分割文本，然后把文本转成向量，然后保存成知识库，然后把我们的问题也转成向量，然后使用问题的向量去知识库中搜索，把搜索到的知识添加到向ai大模型提问的提示词中，然后提交给大模型回答
RAG存在的问题：
RAG痛点问题分析论文 ● 论文:《Seven Failure Points When Engineering a Retrieval Augmented Generation System》 ● 地址：https://arxiv.org/pdf/2401.05856
问题总结：
构建索引（构建知识库）的时候会有内容缺失的问题、文档加载的准确性、文档分割的颗粒度
内容缺失就是说，我们通过问题没办法在知识库中找到知识
文档加载的准确性就是说，如何更好的处理文档的数据，比如PDF
文档的分割，它的颗粒度影响会很大，怎么确定文档分割的颗粒度，这是一个很重要的事情，也没有标准答案，要根据项目来结合，以上就是下图红框里的问题
下图红框的部分是检索，Query是提交问题，通过Rewriter把提交的问题生成新问题NewQuery（由用户的一个问题，延伸出多个问题），然后使用这个多个问题进行检索（Retirever），检索之后得到多个知识，然后把多个知识进行重排（Reranker），然后RankedChunsk（重排），然后合并（Consolidator），ProcessedChunks把问题和知识进行拼接，然后读取拼接好的内容（Reader）发送给大模型（Response）
检索时出现的问题：错过排名靠前的文档，在做检索的过程，现在假如查出了5个文档（知识），1、2、3、4、5，第一个和问题相关性不大但语义相似度高，第二个问题相似度特别高，但是排在第二，或者是第5个与问题相似度是非常高的，但是排在第5位，排在后面的文档权重就会很低，这样就造成了错过排名靠前的文档（MissedTopRanked），也就是下图红框里的问题
Not in Context提取的上下文和答案无关，就是获取到的知识和问题没有关系
Wrong Format格式错误，要求返回json格式的数据，但是返回的是普通文本
incomplete答案不完整，就是提了两个问题，但是它只回答一部分
Not Extracted没有提取答案，就是说检索的文档有正确的内容，但是回复的时候不对，没有提取正确的内容，这个问题一般是模型不够强
Incorrect Specificity答案不够具体或者过于具体
我们的RAG系统就是我围绕着上方所说的问题来进行优化
内容缺失问题
这个问题跟RAG关系不大，我们整理的问题就没有答案，RAG也没办法，但是没有内容大模型会瞎编乱讲，会给一下情绪价值，解决办法就是添加内容，在用户搜索不到内容时打一个日志，后期再维护进去，如果内容缺失要利用提示词来约束大模型，让大模型回答的好一点，比如内容缺失就回答不知道，不让它瞎编
文档加载的准确性
这个问题只是在PDF中存在，PDF的格式是最复杂的，可以进行ocr识别，pdf转md文件
文档分割的颗粒度
要根据项目来看，比如RAG是做商品搜索的，商品的价格这种的就适合小的分割，还有医疗、法律这种做的一定要越精细越好，这种的处理非常严格的项目就越长越好，越长一句话产出的内容就越多，内容就会更准确
不管是长还是短都会有问题，短的它语义检索效率会好，长一点就会很耗费Token，检索效率就不会好
可以进行图RAG、父子文档、文档摘要，就是对文档进行多次分割，比如第一个通过2000大小来分割，第二次对这分割后的2000内容，这个两千的就是父文档，再次分割比如以500来分割，这就是子文档，500分割完再对它分割，也就是还有子文档，通过子文档去找父文档，使用父文档去问大模型
然后图RAG：就是比如说嫌疑人，跟A是什么关系，跟B是什么关系，跟C又是什么关系，然后B跟C是什么关系，这样的一个图谱
错过排名靠前的文档
检索出来与问题相关的知识排名不靠前，这个可以增加召回量，原本返回的知识只有2个，增加召回量就是让它变成7，就是让返回的知识变多，这样原本与问题相关的知识排在第6也能找到了，召回量增加Token就会增加很多
还可以进行重排，过召回，就是原本返回2个，现在让它返回8个或更多，然后让这个8个根据内容再重新排序，重新排完序依然取前2个，这个过召回用的比较多，这个会用单独的大模型进行重排序，虽然这个也会消耗很多的Token但是它会让最终的答案更加准确
提取的上下文和答案无关
这个没办法解决，这个就是错过排名靠前的文档和内容缺失的具体表现
格式错误
这个没有很好的办法解决，只能通过提示词约束
答案不完整
在提问的不要一股脑的一次性的问很多问题，如果一次性问了很多问题，大模型很大可能只会回答一部分问题，解决办法引导用户一个一个问题去提问，或者对用户的问题进行拆分，拆成子问题，通过子问题来找答案，比如用户提了一个问题，然后我们通过大模型把用户的问题拆成多个子问题，通过子问题去向量数据库中检索文档，通过这样的方式来解决
未提取答案
检索到3个内容，分割的文档过长的情况下，大模型的重点没有集中在需要关注的那里，这种情况可以对检索到的内容进行压缩，通过大模型来压缩，让语义不变，让内容体积变小，未提前答案就是答案的内容太杂了
答案不够具体或过于具体
比如问1+1等于几，有些模型直接回答1+1=2，有些模型就会思考用户是不是在玩，会有很多思考的步骤，这样的过程会把简单的事情变得复杂，这种情况是模型本身的问题，我们没办法干扰它
RAG没办法做到百分百无问题，只能尽力围绕上方的问题来达到一个比较高的准确率
之前的内容都是普通RAG，接下来是Advanced RAG（高级RAG），它就是围绕上方的问题来开发RAG，有些人连百度都用不明白更别说大模型了，只能通过对RAG加各种提示词优化来解决
