上回我们讲到如何在 Dify 上搭建企业知识库，并引入大语言模型应用中，实现企业内部知识助手。 使用 Dify 快速搭建企业内部知识助手。
其中提到的企业知识库，正是 "检索增强生成(Retrieval-Augmented Generation)" 技术的一种具体实现方式。
在深入探讨 RAG 之前，我们先来了解一下大型语言模型 (LLM) 的一个特性，或者说局限性。
大语言模型 (LLM) 的局限性
大型语言模型 (LLM)，是基于大量数据进行预训练的超大型深度学习模型。这些模型经过海量文本数据训练，能够理解和生成人类语言，执行各种自然语言处理（NLP）任务，如文本生成、翻译、问答和摘要等。
大型语言模型 (LLM) 有一个显著特点，对于训练数据之外的内容，它无法准确预测，因为它没有"学习"过这些知识。因此，AI 在面对这类问题时会回答"不知道"。
那么，我们该如何让 AI 模型掌握企业内部知识呢？难道只能重新训练一个大模型？对于大多数企业来说，这个方案的成本显然过高且没有必要。
尽管可以通过微调 (Fine-tuning) 大幅降低大模型训练成本，但相比 RAG，微调仍然具有较高的成本（高配置设备、微调技术、效果验证、时间成本等）。如果仅需要进行内容补充，而不要求模型具备特定的行为或输出模式，那么 RAG 是现阶段较为适合的解决方案。
RAG 检索增强生成
检索增强生成（RAG）是指对大型语言模型输出进行优化，使其能够在生成响应之前引用训练数据来源之外的权威知识库。在 LLM 本就强大的功能基础上，RAG 可将其扩展为能访问特定领域或组织的内部知识库，所有这些都无需重新训练模型。
让我们来看看 RAG 能实现什么效果，仍以上面的问题为例："2024年欧冠冠军是谁？"
我们先关联一个简单的欧冠知识库：
然后再重新与 AI 对话：
可以发现 AI 通过知识库，"学习" 到了2024欧冠赛事的 "知识"。
RAG 是如何让 AI 完成 "学习" 的？
实际上很简单，通过上下文把知识告诉 AI。我们把两次对话记录列出来，大家就能明白了。
无 RAG (知识库)问答:
| 角色 | 对话内容 |
| 用户 | 2024年欧冠冠军是谁？ |
| AI | 抱歉，我不清楚。 |
有 RAG (知识库)问答:
| 角色 | 对话内容 |
| 上下文 | 2024年欧冠联赛，代表西班牙的皇家马德里队在欧冠决赛中以2比0击败德国队多特蒙德，夺得冠军。 |
| 用户 | 2024年欧冠冠军是谁？ |
| AI | 2024年欧冠冠军是皇家马德里队。他们在欧冠决赛中以2比0击败了德国队多特蒙德，从而夺得冠军。 |
有 RAG (知识库)的问答记录，相比无 RAG (知识库)的问答记录，多了一条隐藏的（使用者看不见）的上下文消息。 在使用者提问之前，与使用者问题相关的知识内容被提取出来，并作为上文一并发送给AI模型。 这使得 AI 模型"学习"到了相关知识，并作出正确的回答。
至于具体如何完成检索，我们暂时先不深入探讨细节。
如何搭建高质量的 RAG 知识库
要搭建高质量的 RAG 知识库，文档的质量对增强检索的效果起到最直接最重要的作用。
我们仍然使用 Dify Cloud 上的知识库作为案例，知识库的其他配置暂且不谈，这次我们只聚焦于文本分段与清洗。 文本分段有自动分段和自定义分段两种方式，不熟悉的使用者建议采用自动分段。
使用自动文本分段时，对文档要求较高，上传文档前可对文档做以下检查：
1. 确保文档格式统一，结构简单，易于处理；
2. 移除不必要的格式信息，保留关键结构，移除特殊编码（多媒体、url等无意义或非文本信息）；
3. 避免相似内容多次重复出现；
4. 避免超长自然段，较长段落可以预先分割成更小的分段，同时注意避免信息切割；
5. 删除不相关的内容（如页眉页脚、企业信息、联系方式等）；
6. 删除敏感信息；
7. 避免超大文档，可先切分为多个小文档，更方便调整、检查与测试。
关于文本分段的个人理解：
1. 尽可能切分得足够细： 文本切分得越细，AI 模型预测（回答）得就越准确。大段的上下文会影响 AI 的回答，特别是在参杂了其他无效信息的情况下。 大段的上下文也会增加使用成本（消耗更多prompt tokens）。
2. 避免完整的信息被切割： 同时不能切分得太细，完整的信息应该尽量避免被切割。例如上面的案例，如果将文本这样分段，则可能无法得到准确的回答。
# 1
2024年欧冠联赛，冠军得主是代表西班牙的
# 2
皇家马德里队在欧冠决赛中以2比0击败德国队多特蒙德第二段文本分段可能会因为文本内容不匹配而无法被成功检索。
大段内容特别容易出现这种情况，编辑文档时，应尽可能避免同一句话、段落被换行、换页、特殊符号等切割开。
3. 进行召回测试 / RAG 评估： Dify 提供了知识库的召回测试工具，可以准备好常见问题，对知识库进行命中测试。可以测试对应问题检索（命中）的知识库文档分段，以此快速判断检索效果。 通过测试结果，可及时调整文本分段。
然而，手动逐个问题进行召回测试并不符合程序员的风格。在下一篇文章中，我将分享如何使用 "Dify workflow 应用 + ragas" 实现 Dify 知识库自动化评估。
总结
本文探讨了智能 AI 应用为什么需要知识库，主要围绕以下几点展开：
1. 大语言模型(LLM)的局限性：LLM 无法准确预测训练数据之外的内容。
2. RAG(检索增强生成)技术：通过引入外部知识库，使 AI 能够访问和利用特定领域或组织的内部知识，无需重新训练模型。
3. RAG 的工作原理：在用户提问前，将相关知识作为上下文提供给 AI 模型，使其能够"学习"并回答相关问题。
4. 高质量 RAG 知识库的搭建：强调了文档质量的重要性，并提供了文本分段与清洗的具体建议。
5. 文本分段的关键点：包括细致切分、避免信息切割、以及进行召回测试/RAG评估。
通过合理运用 RAG 技术和构建高质量知识库，可以显著提升 AI 应用的实用性，使其能够更好地服务于特定领域或企业的需求。
