RAG原理概述

RAG（Retrieval-Augmented Generation） 是一种结合了信息检索和生成式人工智能技术的模型架构，旨在让模型生成更有根据和更准确的回答。通俗来讲，它让模型不只是凭借自己的“记忆”（预训练数据）生成答案，还能即时去“查资料”，再结合查到的信息生成答案。它解决了模型只依赖自己有限的知识，回答不准确或过时的问题。

RAG的工作原理可以分为两部分：

1. 检索（Retrieval）：

   • 当你向模型提出一个问题时，RAG 先会去一个外部知识库（比如一堆文档、维基百科、数据库等）“查找”相关内容。这就像你向搜索引擎询问某个问题，它会先给你返回一系列相关的网页或文章。
   • 为了查找效率高，它把这些文档事先处理成计算机能够理解的“向量”（数字表示），方便进行快速匹配。

2. 生成（Generation）：

   • 模型在查到的信息基础上进行“生成”，即使用一个类似于 GPT 这样的生成模型，结合检索到的内容，生成一个有逻辑、准确的回答。
   • 比如你问一个问题，它查到相关的几段信息后，模型会把这些信息和自己的知识结合，生成一个自然语言的答案。

为什么 RAG 这么特别？

RAG 的关键好处是增强了生成模型的准确性。单纯的生成模型有时会“瞎猜”，尤其在面对最新的知识或较为专业的问题时。而 RAG 可以实时“查资料”，大大提高回答的准确性和时效性。

简单类比

• 单纯的生成模型：像一个很聪明的学生，知识广泛，但记忆有限，没办法查书，可能会给出一些不太准确的回答。
• RAG 模型：像一个知道自己不知道一切的学生，碰到不会的问题，可以去图书馆查资料再回答，答案自然更可靠。

应用场景

• 客服系统：能够根据公司文档或常见问题库生成精准的回答。
• 搜索引擎升级：提供比传统搜索引擎更智能的回答，既有检索又有生成。
• 医疗、法律等专业领域：实时查阅最新的相关文档，生成符合当前标准的建议。

总的来说，RAG 是一种让模型不仅“会想”，还“会查”的技术，能提升模型回答问题的准确性和实时性。

实战项目简介

我搭建的是一个Prompt技术的AI学习助手（基于自己搭建的和Prompt技术有关的文章与书籍）。

学习写Prompt需要一边写一边实践，否则就会“脑子说我会了，手说我废了”。平时看到好的Prompt，也会把它积累下来，也许哪天就能用上；在实践的时候，随着不断地修改，Prompt也会更新迭代；网上有很多学习Prompt技术好的资料（比如吴恩达出的Prompt Cookbook, 这个项目知识库里就有这本书），但是没有那么多时间去一一啃过，而且这类重实践的技术肯定是随学随用最好了，一边提问，大模型可以基于它本身的生成能力，以及知识库文档的内容，回答我的问题，同时根据我的需求帮我生成好的Prompt。

目前仅做了针对GPT、GLM生成文本类的Prompt，还没有加入Midjourney、stable diffusion的Prompt.

Embedding 模型：智谱清言配套的Embeding 模型
向量型数据库：Chroma
LLM : 调用ChatGLM-4的API
工具链：Langchain
前端：streamlit
知识库数据：
《面向开发者的LLM教程第一章：Engineering for Developers》（md文件）
《Prompt cookbook》（PDF文件）

安装依赖：

项目实战

一、知识库搭建

一般知识库的数据构建、清洗处理、转换成向量、存储到向量数据库都是提前离线做好的。经过一段时间再更新知识库内容时，还要把上面这些步骤再做一遍，一个上线的项目，这个过程可能是半个月或者一个月进行一次。

知识库的搭建包括以下几个部分：

1. 数据预处理：收集相关的文本数据。数据源可以是结构化的数据库、非结构化的文本（如网页、PDF、Word 文档）、API 返回的内容、维基百科条目、社交媒体内容等。原始数据通常不适合直接使用，因此需要对数据进行清洗和预处理，如去掉无关的内容（广告、噪音）、标准化格式（统一编码、去除重复等）

2. 数据分割：对于非结构化的长文档，需要将其分割成更小的片段（例如段落、句子）。片段的大小要合理，既保证能被检索到，又能让生成模型获取足够的信息来生成相关的回答。通常通过分段规则，如按段落或固定长度的字符数进行分割。

3. 文本嵌入（向量化）：预训练模型选择：选择适合的预训练模型来生成文本嵌入。常用的模型有 BERT、Sentence-BERT、OpenAI 的文本嵌入模型等。模型的选择会影响到后续的检索效果。
   嵌入计算：将每一个片段转化为向量表示。这一步是将自然语言转化为固定维度的向量，以便后续通过向量相似度进行检索。
   向量归一化：对生成的向量进行归一化处理，确保向量在检索时能够正确计算相似度（如使用余弦相似度或欧几里得距离）。

4. 构建索引+向量入库：将所有文本片段的向量保存到向量数据库中，以便进行快速检索。常用的向量数据库有 Pinecone、FAISS、Milvus 等。这些数据库支持高效的相似度搜索，能够快速返回最相关的文档。
   传统索引（可选）：有时会将文本进行关键词索引（倒排索引），使用搜索引擎如 Elasticsearch、Whoosh 等。关键词搜索和向量搜索可以结合使用，以提高检索的准确性。

在搭建RAG应用的时候，一般都是用嵌入模型来构建词向量，此时有两个选择，一是选择在线大模型配套的Embedding模型 API，很多公司都有提供接口，不过有些是要付费的；再者也可以选择使用本地的Embedding模型，比如FlagEmbedding、BGE等等，目前已经有很多对中文语料进行Embedding表现得不错的开源模型，hugging face上有很多开源的中文Embedding模型可供选择。

开源中文Embedding模型排行榜

本项目中我使用的是智谱清言的Embedding模型 API

主流的向量数据库有：Chroma、Weaviate、Qdrant等等，这里我使用的是Chroma，它是一个轻量级向量数据库，拥有丰富的功能和简单的 API，具有简单、易用、轻量的优点，但功能相对简单且不支持GPU加速。

1.1 数据预处理

首先在项目目录下面新建一个文件夹/data_base/knowledge_db，把用到的资料放进knowledge_db里。

1.1.1 数据加载读取

首先来读取数据，由于我的知识库里文本类型是PDF和Markdown文件，我们可以使用 LangChain 的 PyMuPDFLoader 来读取知识库的 PDF 文件，用UnstructuredMarkdownLoader来读取Markdown文件。
首先看PDF文件的加载：

from langchain.document_loaders.pdf import PyMuPDFLoader# 创建PyMuPDFLoader实例，输入为要加载的 pdf 文档路径
loader = PyMuPDFLoader("/root/data_base/knowledge_db/Prompt_cookbook.pdf")
# 加载PDF文件
pdf_pages = loader.load()

文档加载后储存在 pdf_pages 变量中,pdf_pages是一个list，PDF有多少页，list的长度就有多少。
pdf_pages列表里的每一个元素就是一页PDF的文档，这个元素的变量类型是langchain_core.documents.base.Document，文档变量类型包含两个属性：page_content 包含该文档的内容， meta_data 为文档相关的元数据。
一般我们都是从page_content里面取到文本的数据。

Markdown文件的加载也是一样步骤的，这次用 UnstructuredMarkdownLoader模块：

from langchain.document_loaders.markdown import UnstructuredMarkdownLoaderloader = UnstructuredMarkdownLoader("/root/knowledge_db/1. 简介 Introduction.md")
md_pages = loader.load()

1.1.2 数据清洗

我们期望知识库的数据尽量是有序的、优质的、精简的，因此我们要删除低质量的、甚至影响理解的文本数据。这部分主要就是用python里的文本处理操作。小伙伴们可以按照自己项目使用的文档特点进行处理，文本处理不会的就去问chatgpt，不用死记硬背正则化那些的。

可以看到文本里还是有一些多余的字符，比如‘\n\n’，这样的地方全部换成单个’\n’。

md_page.page_content = md_page.page_content.replace('\n\n', '\n')

处理之后的结果比较干净了：

1.1.3 整合PDF和Markdown文件处理

由于知识库里的文档很多，而且格式不统一，我们可以根据文件后缀是.md还是.pdf来分类批量读取到内容，然后放进一个空列表里：

# 获取知识库knowledge_db文件夹下所有文件路径，储存在file_paths里，
file_paths = []
folder_path = '/root/knowledge_db'
for root, dirs, files in os.walk(folder_path):for file in files:file_path = os.path.join(root, file)file_paths.append(file_path)

from langchain.document_loaders.pdf import PyMuPDFLoader
from langchain.document_loaders.markdown import UnstructuredMarkdownLoader# 遍历文件路径并把实例化的loader存放在loaders里
loaders = []for file_path in file_paths:file_type = file_path.split('.')[-1]if file_type == 'pdf':loaders.append(PyMuPDFLoader(file_path))elif file_type == 'md':loaders.append(UnstructuredMarkdownLoader(file_path))# 下载文件并存储到text列表里
texts = []for loader in loaders: texts.extend(loader.load())

texts列表里的元素都是langchain_core.documents.base.Document对象，每一个Document对象里都有page_content和meta_data。

1.2 文档分块（Chunks）

由于单个文档的长度往往会超过模型支持的上下文，导致检索得到的知识太长超出模型的处理能力，因此，在构建向量知识库的过程中，我们往往需要对文档进行分割，将单个文档按长度或者按固定的规则分割成若干个 chunk，然后将每个 chunk 转化为词向量，存储到向量数据库中。

在检索时，我们会以 chunk 作为检索的元单位，也就是每一次检索到 k 个 chunk 作为模型可以参考来回答用户问题的知识，这个 k 是我们可以自由设定的。
Langchain 中文本分割器都根据 chunk_size (块大小)和 chunk_overlap (块与块之间的重叠大小)进行分割。

图示如下:
Langchain中还有其他很多的文档分割方法，这里我使用的是RecursiveCharacterTextSplitter(): 按字符串分割文本，递归地尝试按不同的分隔符进行分割文本。
在RAG应用中文档分块是非常重要的一个环节，分割得不合适会非常影响答案的质量。如何选择分割方式，往往具有很强的业务相关性——针对不同的业务、不同的源数据，往往需要设定个性化的文档分割方式。RecursiveCharacterTextSplitter()这个方法是比较通用的，可以先基于这个跑一个baseline，再去优化。

from langchain.text_splitter import RecursiveCharacterTextSplitter# 使用递归字符文本分割器
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500,chunk_overlap=50
)
split_docs=text_splitter.split_text(pdf_page.page_content)

split_docs里存储的就是切割之后的文本块了，split_docs也是一个list，和前文一样，list中的每一个元素都是一个Document对象，每个Document对象里page_content内容就是被切割成好的chunk内容。

1.3 文本嵌入（向量化）

文本嵌入就是将知识库

这里用的是智谱AI原生的API，langchain内部目前暂时没有直接可用的embeddings模型，所以我们得手动把Embeddings模型封装到langchain的工具链里面。

首先看智谱的Embeddings模型如何调用。在智谱的官网上有详细的教程（另外：它的一系列接口文档都可以好好看一下），本项目我用的是模型是Embedding-2
看响应示例里返回的结果，文本经过Embedding后得到的高维向量，在“data”的embedding里面，这就是我们存入向量数据库的内容。
我们通过response.data[0].embedding拿到向量内容。
有时Embedding可能失败，那么可以加一个if判断Embedding是否成功，如果没有成功，那么返回一个0向量，逻辑实现如下。

client=ZhipuAI(api_key='your API_KEY')
query='请介绍一下Prompt工程是什么？'
response = client.embeddings.create(model='embedding-2', input=query)
if hasattr(response, 'data') and response.data:return response.data[0].embedding
return [0] * 1024  # 如果获取嵌入失败，返回零向量

不管对知识库文本内容还是用户输入的问题内容，其实都需要进行Embedding处理，所以这里我写了一个类，里面定义了两个函数，embed_documents（)：用于处理知识库里的文本内容，逻辑如下——准备一个空列表, 将分割好的知识库文本列表传入，遍历每一条数据拿它们embedding处理后的向量，添加到空列表里，这个函数最终返回的就是chunks转换成向量后的列表。

**embed_query（）**用于对用户输入的问题内容进行向量化处理。

（在这里有一个优化的空间：如果你的知识库规模很大，在这里可以设计成异步处理，使用线程池，先挖个坑，以后有空填上）

from zhipuai import ZhipuAIclass EmbeddingGenerator:def __init__(self, model_name):self.model_name = model_nameself.client = ZhipuAI(api_key='你的API_KEY')def embed_documents(self, texts):embeddings = []for text in texts:response = self.client.embeddings.create(model=self.model_name, input=text)if hasattr(response, 'data') and response.data:embeddings.append(response.data[0].embedding)else:# 如果获取嵌入失败，返回一个零向量embeddings.append([0] * 1024)  # 假设嵌入向量维度为 1024return embeddingsdef embed_query(self, query):# 使用相同的处理逻辑，只是这次只为单个查询处理response = self.client.embeddings.create(model=self.model_name, input=query)if hasattr(response, 'data') and response.data:return response.data[0].embeddingreturn [0] * 1024  # 如果获取嵌入失败，返回零向量

以上就是RAG的前置数据准备了，一般知识库文本嵌入的工作是离线处理的。

1.4 向量入库

Langchain 集成了超过 30 个不同的向量存储库，这里我选择用langchain里的 Chroma。

首先实例化一个我们在上一步里写好的EmbeddingGenerator，并定义使用的embedding模型为"embedding-2".

embedding_generator = EmbeddingGenerator(model_name="embedding-2")

接着定义持久化路径，这就是向量数据库的路径地址，而且后续我们的操作里要让它持续保存到磁盘上。

persist_directory = '../../data_base/vector_db/chroma'

实例化一个Chroma数据库对象，documents参数定义我们要传入的文本列表、embedding参数这里填入我们实例化好的Embedding生成器embedding_generator ，persist_directory这个参数填入刚才定义的持久化路径，这允许我们将persist_directory目录持久地保存到磁盘上，再加上vectordb.persist()，这样保证在项目运行过程中，我们创建的vectordb随时都可以用。

from langchain.vectorstores.chroma import Chromavectordb = Chroma.from_documents(documents=split_docs,embedding=embedding_generator,persist_directory=persist_directory  # 允许我们将persist_directory目录保存到磁盘上
)vectordb.persist()

查看向量数据库里的向量数目：

可以测试一下加载的向量数据库，使用一个问题 query 进行向量检索。如下代码会在向量数据库中根据相似性进行检索，返回前 k 个最相似的文档。（这里记得要安装一下 OpenAI 开源的快速分词工具 tiktoken 包：pip install tiktoken）

二、构建RAG

接下来构建LLM，并且把它接入工具链中

2.1 创建LLM

这里我用的是langchain来调用智谱AI的API

三、部署streamlit

四、评估与优化