在当今快速发展的人工智能领域，大型语言模型（LLM）已经成为无处不在的技术，它们不仅改变了我们与机器交流的方式，还在各行各业中发挥着革命性的影响。
然而，尽管LLM + RAG的能力已经让人惊叹，但我们在使用RAG优化LLM的过程中，还是会遇到许多挑战和困难，包括但不限于检索器返回不准确或不相关的数据，并且基于错误或过时信息生成答案。因此本文旨在提出RAG常见的7大挑战，并附带各自相应的优化方案，期望能够帮助我们改善RAG。
下图展示了RAG系统的两个主要流程：检索和查询；红色方框代表可能会遇到的挑战点，主要有7项：
1. Missing Content: 缺失內容
2. Missed Top Ranked: 错误排序內容，导致正确答案沒有被成功 Retrieve
3. Not in Context: 上限文限制，导致正确答案沒有被采用
4. Wrong Format: 格式错误
5. Incomplete: 回答不全面
6. Not Extracted: 未能检索信息
7. Incorrect Specificity: 不合适的详细回答
由于篇幅比较长，上一篇我们谈了前 3 项， 这一篇我们谈谈剩余的 4 种策略：
格式错误
当我们使用prompt要求LLM以特定格式（如表格或列表）提取信息，但却被LLM忽略时，可以尝试以下3种解决策略：
1. 改进prompt
我们可以采用以下策略来改进 prompt，解决这个问题：
A.明确说明指令
B.简化请求并使用关键字
C.提供示例
D.采用迭代提示，提出后续问题
2. 输出解析器
输出解析器负责获取LLM的输出，并将其转换为更合适的格式，因此当我们希望使用LLM生成任何形式的结构化数据时，这非常有用。它主要在以下方面帮助确保获得期望的输出：
A. 为任何提示/查询提供格式化指令
B. 对大语言模型的输出进行 解析 。
Langchain提供了许多不同类型Output Parsers的流接口，以下是示范代码，具体细节请参阅官方文档[1]。
from langchain.output_parsers import PydanticOutputParser
from langchain.prompts import PromptTemplate
from langchain_core.pydantic_v1 import BaseModel, Field, validator
from langchain_openai import OpenAI
model = OpenAI(model_name="gpt-3.5-turbo-instruct", temperature=0.0)
# 定义您想要的数据结构。
class Joke(BaseModel):
setup: str = Field(description="question to set up a joke")
punchline: str = Field(description="answer to resolve the joke")
# 可以通过 Pydantic 轻松添加自定义验证逻辑。
@validator("setup")
def question_ends_with_question_mark(cls, field):
if field[-1] != "?":
raise ValueError("Badly formed question!")
return field
# 设置一个解析器 + 将指令注入到提示模板中。
parser = PydanticOutputParser(pydantic_object=Joke)
prompt = PromptTemplate(
template="Answer the user query.\n{format_instructions}\n{query}\n",
input_variables=["query"],
partial_variables={"format_instructions": parser.get_format_instructions()},
)
# And a query intended to prompt a language model to populate the data structure.
prompt_and_model = prompt | model
output = prompt_and_model.invoke({"query": "Tell me a joke."})
parser.invoke(output)3. Pydantic parser
Pydantic 是一个多功能框架，它能够将输入的文本字符串转化为结构化的Pydantic物件。Langchain有提供此功能，归类在Output Parsers中，以下是示范code，可以参考官方文件[2]。
from typing import List
from langchain.output_parsers import PydanticOutputParser
from langchain.prompts import PromptTemplate
from langchain_core.pydantic_v1 import BaseModel, Field, validator
from langchain_openai import ChatOpenAI
model = ChatOpenAI(temperature=0)
# 定义你期望的数据结构。
class Joke(BaseModel):
setup: str = Field(description="question to set up a joke")
punchline: str = Field(description="answer to resolve the joke")
# 可以很容易地使用 Pydantic 添加自定义验证逻辑。
@validator("setup")
def question_ends_with_question_mark(cls, field):
if field[-1] != "?":
raise ValueError("Badly formed question!")
return field
# 一个用来促使语言模型填充数据结构的查询意图。
joke_query = "Tell me a joke."
# 设置一个解析器+将指令注入到提示模板中。
parser = PydanticOutputParser(pydantic_object=Joke)
prompt = PromptTemplate(
template="Answer the user query.\n{format_instructions}\n{query}\n",
input_variables=["query"],
partial_variables={"format_instructions": parser.get_format_instructions()},
)
chain = prompt | model | parser
chain.invoke({"query": joke_query})回答不完整
有时候 LLM 的回答并不完全错误，但会遗漏了一些细节。这些细节虽然在上下文中有所体现，但并未被充分呈现出来。例如，如果有人询问“文档A、B和C主要讨论了哪些方面？”对于每个文档分别提问可能会更加适合，这样可以确保获得更详细的答案。
查询转换
提高 RAG 系统效能的一个策略是添加一层查询理解层，也就是在实际进行检索前，先进行一系列的 Query Rewriting。具体而言，我们可以采用以下四种转换方法：
1.1 路由：在不改变原始查询的基础上，识别并导向相关的工具子集，并将这些工具确定为处理该查询的首选。
1.2 查询重写：在保留选定工具的同时，通过多种方式重构查询语句，以便跨相同的工具集进行应用。
1.3 子问题：将原查询拆解为若干个更小的问题，每个问题都针对特定的工具进程定向，这些工具是根据它们的元数据来选择。
1.4 ReAct 代理选择器：根据原始查询判断最适用的工作，并为在该工作上运行而特别构造了查询。
Llamaindex已经为这个问题整理出了一系列方便操作的功能，请查看官方文件[3]；而Langchain的大部分功能则散落在Templates中，例如HyDE的实现和论文内容。以下是使用Langchain进行HyDE的示例：
from langchain.llms import OpenAI
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import LLMChain, HypotheticalDocumentEmbedder
from langchain.prompts import PromptTemplate
base_embeddings = OpenAIEmbeddings()
llm = OpenAI()
# Load with `web_search` prompt
embeddings = HypotheticalDocumentEmbedder.from_llm(llm, base_embeddings, "web_search")
# 现在我们可以将其用作任何嵌入类！
result = embeddings.embed_query("Where is the Taj Mahal?")Not Extracted（未能检索信息）
当RAG系统面对众多信息时，往往难以准确提取出所需的答案，关键信息的遗漏降低了回答的质量。研究显示，这种情况通常发生在上下文中存在过多干扰或矛盾信息时。以下是针对这一问题提出的三种解决策略：
1. 数据清洗
数据的质量直接影响到检索的效果，这个痛点再次突显了优质数据的重要性。在责备你的 RAG 系统之前，请确保你已经投入足够的精力去清洗数据。
2. 信息压缩
提示信息压缩技术在长上下文场景下，首次由 LongLLMLingua 研究项目提出，并已在 LlamaIndex 中得到应用，相对 Langchain 的资源则较零散。现在，我们可以将 LongLLMLingua 作为节点后处理器来实施，这一步会在检索后对上下文进行压缩，然后再送入 LLM 处理。
以下是在 LlamaIndex 中使用 LongLLMLingua 的示范，其他细节可以参考官方文件[4]：
from llama_index.query_engine import RetrieverQueryEngine
from llama_index.response_synthesizers import CompactAndRefine
from llama_index.postprocessor import LongLLMLinguaPostprocessor
from llama_index.schema import QueryBundle
node_postprocessor = LongLLMLinguaPostprocessor(
instruction_str="Given the context, please answer the final question",
target_token=300,
rank_method="longllmlingua",
additional_compress_kwargs={
"condition_compare": True,
"condition_in_question": "after",
"context_budget": "+100",
"reorder_context": "sort", # enable document reorder
},
)
retrieved_nodes = retriever.retrieve(query_str)
synthesizer = CompactAndRefine()
## 梳理 RetrieverQueryEngine 中的步骤，以确保清晰易懂。
## 后处理（压缩），合成
new_retrieved_nodes = node_postprocessor.postprocess_nodes(
retrieved_nodes, query_bundle=QueryBundle(query_str=query_str)
)
print("\n\n".join([n.get_content() for n in new_retrieved_nodes]))
response = synthesizer.synthesize(query_str, new_retrieved_nodes)3. LongContextReorder
这在第二个挑战，Missed Top Ranked中有提到，为了解决LLM在文件中间会有「迷失」的问题，它通过重新排序检索到的节点来优化处理，特别适用于需要处理大量顶级结果的情形。细节示范可以参考上面的内容。
不正确的具体性（Incorrect Specificity）
有时，LLM 的回答可能不够详细或具体，用户可能需要进行多次追问才能得到清晰的解答。这些答案可能过于笼统，无法有效满足用户的实际需求。
因此，我们需要采取更高级的检索策略来寻找解决方案。
当我们发现回答缺乏期望的详细程度时，通过优化检索策略可以显著提升信息获取的准确性。LlamaIndex 提供了许多高级检索技巧，而Langchain 在这方面资源较少。以下是一些在 LlamaIndex 中能够有效缓解此类问题的高级检索技巧：
• Auto Merging Retriever[5]
• Metadata Replacement + Node Sentence Window[6]
• Recursive Retriever[7]
总结
本文探讨了使用 RAG 技术时可能面临的七大挑战，并针对每个挑战提出了具体的优化方案，以提升系统准确性和用户体验。
• 缺失内容：解决方案包括数据清理和提示工程，确保输入数据的质量并引导模型更准确地回答问题。
• 未识别出的最高排名：可通过调整检索参数和优化文件排序来解决，以确保向用户呈现最相关的信息。
• 背景不足：扩大处理范围和调整检索策略至关重要，以包含更广泛的相关信息。
• 格式错误：可以通过改进提示、使用输出解析器和
Pydantic解析器实现，有助于按照用户期望的格式获取信息。• 不完整部分：可通过查询转换来解决，确保全面理解问题并作出回应。
• 未提取部分：数据清洗、消息压缩和
LongContextReorder是有效的解决策略。• 特定性不正确：可以通过更精细化的检索策略如 Auto Merging Retriever、元数据替换等技巧来解决问题，并进一步提高信息查找精度。
通过对 RAG 系统挑战的深入分析和优化，我们不仅可以提升LLM的准确性和可靠性，还能大幅提高用户对技术的信任度和满意度。
希望这篇能帮助我们改善我们的 RAG 系统。
