论文中文名：设计 RAG 系统时需要考虑的七个失败点
论文地址：https://arxiv.org/abs/2401.05856
一译中英对照版：https://yiyibooks.cn/arxiv/2401.05856v1/index.html
如果你也想使用 AI 快速阅读论文，可参考：《AI 助力问题驱动式学习》
论文转思维导图速览：
一、概括如果你想了解该图是如何生成的，可以阅读：《AI 应用之文章转脑图的 N 种姿势》
在这篇论文中，Scott Barnett 等人探讨了增强检索（Retrieval-Augmented Generation, RAG）系统在工程实践中可能遇到的挑战和失败点。RAG 系统通过结合信息检索和大型语言模型（LLM）的生成能力，旨在提供准确、上下文相关的回答。然而，RAG 系统在信息检索的固有局限性和对 LLM 的依赖上存在问题。本文通过三个不同领域的案例研究，分享了在设计 RAG 系统时需要考虑的七个失败点，并提出了软件工程社区可能的研究方向。
二、三个案例论文通过三个案例研究展示了RAG系统在不同领域的应用和遇到的挑战：
Cognitive Reviewer：支持研究人员分析科学文档的 RAG 系统。 AI Tutor：一个 RAG 系统，学生可以就单元内容提问，答案来源于学习材料。 BioASQ：使用 BioASQ 数据集构建的 RAG 系统，专注于生物医学领域的问答。
1. FP1 缺少内容（Missing Content）当用户提出的问题无法从现有的文档中找到答案时，RAG系统可能无法提供有用的回应。理想情况下，系统会回复类似于“对不起，我不知道”的回答。然而，如果问题与内容相关但没有直接答案，系统可能会错误地生成一个看似合理但实际错误的回答。
2. FP2 错过高排名文档（Missed the Top Ranked Documents）即使文档中包含了问题的答案，但如果该文档的排名没有足够高，它可能不会被返回给用户。理论上，所有文档都应参与排名并用于后续步骤，但在实践中，通常只返回基于性能选定的前K个文档。
3. FP3 上下文缺失（Not in Context）检索到的包含答案的文档可能没有被纳入生成答案的上下文中。这通常发生在从数据库检索到许多文档时，需要通过整合过程来提取答案。
4. FP4 提取失败（Not Extracted）尽管答案存在于上下文中，但大型语言模型（LLM）可能未能正确提取出正确答案。这种情况通常发生在上下文中存在太多噪声或矛盾信息时。
5. FP5 格式错误（Wrong Format）当问题需要以特定格式（如表格或列表）提取信息时，如果LLM忽略了这一指令，就会产生格式错误。
6. FP6 具体性错误（Incorrect Specificity）返回的答案可能不够具体或过于具体，无法满足用户的需求。这发生在RAG系统设计者对给定问题有预期结果时，例如教师为学生提供的答案不仅应该是答案本身，还应该是具体的教育内容。
7. FP7 答案不完整（Incomplete）不完整的答案虽然不是错误，但它们遗漏了一些信息，即使这些信息在上下文中可用并且可以被提取。例如，当用户问到“文档A、B和C中涵盖了哪些关键点？”时，更好的做法是分别提问这些问题。
四、教训需要更大的上下文来获得更准确的结果。 语义缓存可以降低成本和延迟。 为 RAG 系统添加元数据可以改善检索。 开源嵌入模型在小文本上的表现与闭源模型相当。 RAG 系统需要持续地校准和监控。
5.1、分块和嵌入策略的优化
分块（Chunking） 是RAG系统中的关键步骤，它涉及将文档分割成更小的部分或“块”，这些块随后被转换成嵌入向量以用于检索。分块的质量直接影响到检索过程和嵌入的质量，进而影响文档与用户查询之间的匹配度。论文中提到了两种分块方法：
基于启发式的分块：使用标点符号、段落结束等作为分块依据。 基于语义的分块：利用文本中的语义信息来确定分块的起始和结束。
优化分块策略需要考虑以下方面：
块的大小：块太小可能无法回答某些问题，块太大可能包含噪声。 文档类型：不同类型的文档可能需要不同的分块和处理策略。 嵌入模型的选择：不同的嵌入模型可能对语义检索的准确性有不同的影响。
进一步的研究应该探索这些方法之间的权衡，并评估它们对关键下游过程（如嵌入质量和相似性匹配）的影响。
嵌入（Embeddings） 是文档块的压缩语义表示，通常是一个数值向量。嵌入的生成对于文档检索至关重要，因为它们决定了文档与查询之间的相似度计算。优化嵌入策略涉及：
嵌入模型的选择：选择能够准确捕捉文档语义的模型。 更新频率：确定何时重新生成嵌入以反映新索引的文档或文档更新。
2、RAG与微调（Finetuning）的比较研究
RAG系统和微调是两种不同的方法，用于定制大型语言模型以适应特定领域的需求。微调涉及在特定领域的数据集上继续训练模型，而RAG系统则利用检索机制来提供上下文信息，然后由LLM生成答案。
微调：需要内部数据集来训练和适应模型，数据一旦集成到模型中，就需要考虑隐私和安全性问题。此外，随着基础模型的更新或新数据的加入，需要重新进行微调。 RAG：提供了一种实用解决方案，允许按需分块数据，并只使用相关的块来生成答案。这有助于持续更新知识，并允许控制用户可以访问的块。
比较研究应该系统地评估这两种方法在以下方面的差异：
准确性：哪种方法在特定任务上提供更准确的结果。 延迟：生成答案所需的时间。 运营成本：实施和维护每种方法的成本。 鲁棒性：系统对新数据和变化的适应能力。
3、RAG系统的测试和监控方法
RAG 系统的测试和监控是软件工程中的新兴领域，需要特定的方法和工具来确保系统的质量和性能。
测试：由于 RAG 系统通常处理特定于应用的问题和答案，因此测试用例的生成可能需要创新方法，例如使用LLM生成问题。 质量指标：开发质量指标来帮助工程师做出质量权衡，考虑到使用LLM的成本、引入的延迟以及每次新版本发布时性能的变化。 自我适应系统：将自我适应系统的概念纳入 RAG 系统的监控和适应中，以支持系统的持续优化。
研究应该探索以下方面：
测试数据生成：如何生成现实和领域相关的测试问题和答案。 质量评估：开发和应用质量评估方法来衡量 RAG 系统的性能。 自我适应：研究如何使 RAG 系统能够自我监控并根据实时反馈进行调整。
通过这些研究，可以为 RAG 系统的开发和维护提供更清晰的指导，并帮助实践者构建更加健壮和有效的系统。
六、结论论文的结论部分强调了 RAG 系统作为结合大型语言模型的新型信息检索技术的重要性，并指出软件工程师在实施这些系统时面临的挑战。作者通过三个案例研究，包括对 15,000 份文档和 1000 个问题的实证调查，为实践者提供了实施RAG系统时可能遇到的挑战的指南。同时，论文提出了未来研究方向，包括分块和嵌入策略、RAG 与微调的比较，以及 RAG 系统的测试和监控。最后，作者指出这是首次从软件工程视角对 RAG 系统进行的系统性研究，并强调了大型语言模型将持续发展，为工程师和研究人员带来新的研究兴趣点。
