当我们用RAG构建一个知识库问答应用的时候，总是希望知识库里面灌的数据越多，问答的效果越好，事实真是如此吗？这篇文章给大家答案。
引言
在人工智能问答系统的发展中，RAG（Retrieval-Augmented Generation）技术以其独特的检索增强生成方式，为减少大模型幻觉开辟了新的天地。然而，在实际落地过程中有一个很大的疑问：RAG系统，数据越多效果越好吗？本文将深入分析数据量如何影响RAG系统的问答效果，并讨论如何优化这一系统以适应不断增长的海量数据。
什么是RAG？
大型语言模型（LLMs）已经展现出了强大的能力，但在实际应用中仍面临很多挑战，如模型幻觉、知识更新缓慢以及答案缺乏可信度等。LLM虽然是在非常庞大的数据集上训练的，但并不是在您的数据上训练的。检索增强生成（RAG）通过将您的数据链接到LLMs来解决这个问题。
RAG是服务器托管网一种将知识检索与生成模型相结合的技术，可以提高问答系统的准确性和相关性。它通过从外部知识源中动态检索信息，并将检索到的数据作为参考来组织答案，从而能有效缓解LLM中存在的幻觉问题。
RAG系统
RAG的工作流程主要包含三个模块：
- 索引（indexing）：文本索引的构建包括以下步骤：文档解析、文本分块、Embedding向量化和创建索引。先将不同格式的原始文件解析转换为纯文本，再把文本切分成较小的文本块。通过Embedding为每一个文本块生成一个向量表示，用于计算文本向量和问题向量之间的相似度。创建索引将原始文本块和Embedding向量以键值对的形式存储，以便将来进行快速和频繁的搜索。
- 检索（Retrieval）：使用Embedding模型将用户输入问题转换为向量，计算问题的Embedding向量和语料库中文本块Embedding向量之间的相似度，选择相似度最高的前K个文档块作为当前问题的增强上下文信息。
- 生成（Generation）：将检索得到的前K个文本块和用户问题一起送进大模型，让大模型基于给定的文本块来回答用户的问题。
有关RAG更全面的信息请参阅综述论文：Retrieval-Augmented Generation for Large Language Models: A Survey，不想阅读原始英文论文？使用「有道速读」快速了解什么是RAG？
RAG系统：数据越多，效果越好吗？
从宏观层面来看，RAG包含两个核心的要素：数据和系统。RAG的应用场景非常多，包括文档助手，智能客服机器人，领域/行业知识库问答等。不同的应用场景优化的侧重点可能有所差异。
对于文档助手这类应用来说，数据是已知的，我就上传几篇文档，就针对这些文档来问问题。我们几乎不用关注数据侧的事情，把精力放在优化系统就可以了。
而对于领域/行业知识库问答来说，需要从数据侧和系统侧同时优化。因为如果用户问题回答不上来，有可能是没相关数据，也有可能是有数据但RAG系统没找到。
数据侧的优化很“简单”，就是尽可能多的收集领域内相关的数据，通通灌进知识库里面。但是， 请先别着急！在开始组织人力收集整理数据之前，我们首先得弄清楚一件事情：RAG系统，数据越多，效果越好吗？
如果答案是肯定的，意味着：
- 海量数据放心灌，我可以一批一批地往知识库中加数据，不用担心数据量太大相互干扰导致效果不佳。
- 快速迭代快速优化，对于上线之后的badcase，业务侧可以直接通过加相应数据来快速迭代优化。
- 降低数据成本，收集和整理的成本，不用费劲心思去做数据去重和脏数据的处理。
- 增加系统的稳定性，如果我加的数据不相关，问答的效果不一定会变好，但是起码能保证以前的效果不会变差。
反之，那工作量可就大了
实验：数据量对于问答效果的影响
以教育领域的知识库问答为例，我们基于RAG做了一个升学百科问答的应用，专门解答用户关于高考升学规划和志愿填报政策相关的问题。
升学百科问答
升学百科问答不是给定数据，给定问题，然后只需要去优化算法或者系统的Benchmark任务。它的问题是开放的，数据也是开放的（你可以收集到尽可能多的相关数据来提升问答的效果）。所以优化的变量就多了一个：系统是一部分，数据也是一部分。问答效果的好坏不光取决于好的RAG系统，还取决于你的数据量够不够，覆盖的知识全不全？如何优化RAG能让它完全发挥出海量数据的价值是我们研究的重点。
关于数据量对RAG问答质量的影响，我们在升学百科问答项目中做了比较详细的研究。实验设置如下：
- 用户问题：收集了176个升学百科相关的问题，包括升学路径、志愿填报、选科等相关政策咨询问题。
- RAG系统：一个经典的RAG系统，包括文本解析切片，embedding向量化建库，检索相关片段，语言模型总结问答等模块。
- 领域数据：我们收集了海量升学规划相关的资料来验证数据的问题，包括教育领域的互联网数据，书本资料，FAQ问答对等。
RAG在升学百科问答中的实践
结果：检索退化问题
我们分批往RAG知识库中灌入数据，每加一批数据都做一次评测，观察随着数据量变大，问答效果的变化情况：
- baseline：第一批数据加入后问答正确率有42.6%，此时有一些问题没回答上来是因为确实缺少相关资料。我们继续加数据…
- 迎来上涨：第二批加了更多数据，覆盖知识范围更广。准确率提升到了60.2%，提升非常明显，看来加数据确实还是挺有用的。
- 坏消息：当加入第三批数据的时候，我们最担心的事情还是发生了。正确率急剧下降，跌了将近8个百分点。
到这里，我们的问题有了答案，不是所的RAG系统都能保证：数据越多，效果越好。海量数据有可能会把AI喂吐，随着数据的增多，数据之间可能会有相互干扰，导致检索退化的问题，影响问答的质量。
具体问题具体分析
先抓一个典型看看，大连医科大学怎么样？这个问题在v2版本（加入第三批数据前）是能回答对的，v3版本（加入第三批数据后）回答错了。看了一下送到LLM的文本片段，居然全部都是大连理工大学相关的信息。
问题分析：大连医科大学的问答结果
主要原因是第三批加入的某些文档中恰好有大连理工大学xxx怎么样？的句子，和query大连医科大学怎么样？表面上看起来确实非常像，Embedding给它打了比较高的分。
而类似大连医科大学师资介绍这样的片段相关性就稍微低了些。而LLM输入token有限制，前面两个最相关但是实际并不能回答query问题的片段就已经占满了token的窗口，只能把他俩送进LLM里。结果可想而知，啥都不知道。
RAG中的检索退化问题
语义检索：相似≠相关
文本片段与query的相似性和文本片段是否包含query的答案（相关性）是两回事。RAG中一个非常重要的矛盾点在于检索召回的片段比较多，但是LLM输入token是有限制，所以必须把能回答query问题的片段（和问题最相关）给LLM。
Embedding（Bi-Encoder）
Embedding也可以给出一个得分，但是这个得分描述的更多的是相似性。Embedding本质上是一个双编码器，两个文本在模型内部没有任何信息交互。只在最后计算两个向量的余弦相似度时才进行唯一一次交互。所以Embedding检索只能把最相似的文本片段给你，没有能力来判断候选文本和query之间的相关性。但是相似又不等于相关。
如下图所示，从某种程度上，Embedding其实就是在算两个文本块中相似字符的个数占比，它分不清query中的重点是大连医科大学，在它看来每个字符的重要性都是一样的。感兴趣的话可以计算一下下图中红字部分的占比，和最后余弦相似度的得分基本是吻合的。
Embedding原理
Rerank（Cross-Encoder）
Rerank本质是一个Cross-Encoder的模型。Cross-Encoder能让两个文本片段一开始就在BERT模型各层中通过self-attention进行交互。它能够用self-attention判断出来这个query中的重点在于大连医科大学，而不是怎么样？。所以，如下图所示，大连医科大学怎么样？这个query和大连医科大学创建于1947年…更相关。
Rerank原理
Cross-Encoder这么好，为什么不直接用？
因为速度慢。这里说的速度慢不是cross-encoder的模型比bi-encoder的模型速度慢。关键在于bi-encoder可以离线计算海量文本块的向量化表示，把他们暂存在向量数据库中，在问答检索的时候只需要计算一个query的向量化表示就可以了。拿着query的向量表示去库里找最相似的文本即可。
但是cross-encoder需要实时计算两个文本块的相关度，如果候选文本有几万条，每一条都需要和query一起送进BERT模型中算一遍，需要实时算几万次。这个成本是非常巨大的。
所以，我们可以把检索过程分为两个阶段：召回（粗排）和重排。
- 第一个阶段的目标是尽可能多的召回相似的文本片段，这个阶段的文本得分排序不是特别靠谱，所以候选的topK可以设置大一些，比如topK=100；
- 第二个阶段的目标是对100个粗排的候选文本片段进行重新排序，用cross-encoder计算100个候选文本和query的相关度得分；
两阶段检索结合可以兼顾效果和效率。
两阶段检索在RAG中的实验
我们对上面升学百科中的文本片段用Rerank模型再做一次排序，重排序后的结果如下图所示，左右可以对照着看，左边是Rerank之前的文本片段，右边是Rerank重排之后的文本片段。可以明显看到右边文本片段的得分和排序更加合理，和人的感受基本上是一致的。重排序之后送进LLM窗口内的文本和query是最相关的，语言模型也能轻松根据相关信息回答出问题，再也不会说不知道了。
两阶段检索在RAG中的实验
QAnything：两阶段检索问答框架
QAnything (Question and Answer based on Anything) 是致力于支持任意格式文件或数据库的本地知识库问答系统。基于有道自研两阶段检索框架，能够做到数据越多，问答效果越好！
QAnything具有以下特点：
- 数据安全放心用，完全离线使用；
- 跨语种知识随意问，中英文问答随意切换，无所谓文件是什么语种；
- 海量数据放心灌，两阶段向量排序，解决了大规模数据检索退化的问题，数据越多，效果越好；
- 生产级系统直接装，可直接部署企业级应用；
- 一键安装轻松用，无需繁琐的配置，一键安装部署，拿来就用；
- 多知识库随时切，支持多个知识库联合问答。
- 完全开源，完全免费！
QAnything系统架构
QAnything使用的有道自研检索组件BCEmbedding有非常强悍的双语和跨语种能力，能消除语义检索里面的中英语言之间的差异。其中包含的embedding和rerank模型均达到业界SOTA，详细评测指标请参考：有道BECEmbedding模型和Rerank模型指标汇总，如果需要单独使用embedding和rerank组件，点击下面的链接进行下载：
https://github.com/netease-youdao/BCEmbedding
最终结果
至此，我们可以在以上两阶段检索的QAnything系统上重新跑前三批数据的实验了。结果如下：
在数据不变的情况，两阶段检索问答准确率从52.8%提升到65.9%，这个结果再次证明了一阶段检索中存在数据互相干扰的情况。两阶段检索可以最大化的挖掘出数据的潜力，我们继续加数据，效果能够稳定提升。
QAnything实现数据越多效果越好
QAnything两阶段检索最大的意义不是在某一个实验上面提升了10个点。它最大的意义在于让“数据越多，效果越好”变成了现实。这是在准备开始优化一个RAG系统之前要确保的第一件事情。
QAnything应用
QAnything和有道服务器托管网领世联合推出「AI升学规划师」。基于QAnything强劲的检索增强生成能力和有道领世多年深耕的海量升学数据资料，可以为每个学生和家长配备一名私人AI升学规划师，提供更加全面、专业、及时的升学规划服务。
基于「QAnything」，有道AI升学规划师在升学百科问答中准确率达到95%，可以解答用户关于高考政策、升学路径、学习生活以及职业规划等各种问题。并且随着不断地数据补充和更新，这个准确率会一直上涨。
有道领世AI规划师（Powered by QAnything）
如果视频无法播放可点击视频原始链接播放：B站播放链接，可点击此处播放。
展望
两阶段检索是一个大的框架，给RAG提供了一个好的基础。未来可以在两阶段的基础上做更多细致的优化。这里有一些想法，贴出来和大家一起探讨：
- 切片策略：切片策略对检索召回的影响非常大，目前主流的切片策略还比较机械，经常造成一些信息的损失，未来可能会出现更加智能的切片方式。
- 多路召回：可以在embedding检索的基础上增加BM25检索，或者通过LLM改写query的方式生成多个检索query增加召回率。
- 意图分类：不同的问题走不同的知识库，或者用不同的处理逻辑。
- Agent：基于文档的问答能做的事情非常有限，Agent和RAG结合起来可以做更多事情。
开源
自从_「QAnything」_项目开放源代码以来，受到了开发社区的热烈欢迎和广泛认可。截至2024年2月1日，项目在GitHub上已经积累了3600多个星标，这反映出了其流行度和用户对其价值的高度评价。
欢迎点击下面的链接下载试用：
QAnything github: https://github.com/netease-youdao/QAnything
QAnything gitee: https://gitee.com/netease-youdao/QAnything
欢迎大家在GitHub上为「QAnything」加星助力，方便收到新版本更新的通知！
参考信息
QAnything: https://github.com/netease-youdao/QAnything
BCEmbedding: https://github.com/netease-youdao/BCEmbedding
RAG Survery: Retrieval-Augmented Generation for Large Language Models: A Survey
LlamaIndex RAG: https://docs.llamaindex.ai/en/stable/getting_started/concepts.html#retrieval-augmented-generation-rag
Cross-encoder: https://www.sbert.net/examples/applications/cross-encoder/README.html
Sentence-BERT: https://arxiv.org/pdf/1908.10084.pdf
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
相较于BarCode，QRCode有明显的特征区域，也就是左上角、右上角、左下角三个”回“字区域，得益于hierarchy中，父子关系的轮廓是连续的（下标），所以这个时候我们就可以通过cv2.findContours()返回的hierarchy来进行定位。…
