探索检索增强生成（RAG）技术的无限可能：Vector+KG RAG、Self-RAG、多向量检索器多模态RAG集成

探索检索增强生成（RAG）技术的无限可能：Vector+KG RAG、Self-RAG、多向量检索器多模态RAG集成

由于 RAG 的整体思路是首先将文本切分成不同的组块，然后存储到向量数据库中。在实际使用时，将计算用户的问题和文本块的相似度，并召回 top k 的组块，然后将 top k 的组块和问题拼接生成提示词输入到大模型中，最终得到回答。

优化点：

• 优化文本切分的方式，组块大小和重叠的大小都是可以调节的参数
• 多组块召回，可以在检索的时候使用较小长度的组块，然后输入到大模型时使用较大长度的组块获得更充分的上下文信息
• 优化向量模型，使用高性能的向量模型，比如目前我们在使用的 bge，有能力的去微调向量模型能达到更好的效果
• 增加重排序，向量模型召回一个较大数量的组块，然后使用重排序的模型去筛选一个较小数量的组块去生成提示词
• 提示词优化，增加相关的提示词约束可以让大模型输出的结果更稳定，质量更高

RAG 优化分为两个方向：RAG 基础功能优化、RAG 架构优化。我们分别展开讨论。

1.RAG 基础功能优化

对 RAG 的基础功能优化，我们要从 RAG 的流程入手 [1]，可以在每个阶段做相应的场景优化。

从 RAG 的工作流程看，能优化的模块有：文档块切分、文本嵌入模型、提示工程优化、大模型迭代。下面针对每个模块分别做说明

• 文档块切分：设置适当的块间重叠、多粒度文档块切分、基于语义的文档切分、文档块摘要。
• 文本嵌入模型：基于新语料微调嵌入模型、动态表征。
• 提示工程优化：优化模板增加提示词约束、提示词改写。
• 大模型迭代：基于正反馈微调模型、量化感知训练、提供大 context window 的推理模型。

此外，还可对 query 召回的文档块集合进行处理，比如：元数据过滤 [7]、重排序减少文档块数量 [2]。

2.RAG 架构优化

2.1 Vector+KG RAG

经典的 RAG 架构中，context 增强只用到了向量数据库。这种方法有一些缺点，比如无法获取长程关联知识 [3]、信息密度低。

那此题是否可解？答案是肯定的。一个比较好的方案是增加一路与向量库平行的 KG（[知识图谱]上下文增强策略。其技术架构图大致如下 [4]：

图 3 中 query 进行 KG 增强是通过 NL2Cypher 模块实现的。根据我的实践，我们可用更简单的[图采样技术]来进行 KG 上下文增强。具体流程是：根据 query 抽取实体，然后把实体作为种子节点对图进行采样（必要时，可把 KG 中节点和 query 中实体先向量化，通过[向量相似度]设置种子节点），然后把获取的子图转换成文本片段，从而达到上下文增强的效果。

LangChain 官网提供了一个通过 Graph 对 RAG 应用进行增强的 DevOps 的例子，感兴趣的读者可以详细研究 [5]。

2.2 Self-RAG

经典的 RAG 架构中（包括 KG 进行上下文增强），对召回的上下文无差别地与 query 进行合并，然后访问大模型输出应答。但有时召回的上下文可能与 query 无关或者矛盾，此时就应舍弃这个上下文，尤其当大模型上下文窗口较小时非常必要（目前 4k 的窗口比较常见）。

那有解决办法吗？答案又是肯定的，一个较好的解决方案是 Self-RAG 技术。由于篇幅所限，此处介绍其推理过程，训练过程需要借助 GPT4 进行辅助打标，就不展开说了。详细过程可参考我对 Self-RAG 的总结 [6]。

如图 4 所示，右侧就是 Self-RAG 的工作流程。首先，根据 query判断是否需要检索。如果需要，才检索若干 passage，然后经一系列处理生成若干 [next segment]候选。最后，对这些候选 segment 进行排序，生成最终的 next segment。

Self-RAG 的推理过程相对训练较简单，其算法内容如下：

推理过程输入是：prompt $x$和前置生成 $y_{<t}$，输出是下一时间步的 segment $y_t$。注意这里的生成任务是 segment 粒度，而不是 token 粒度，主要是出于计算性能方面的考量。

首先由[语言模型] M 预测 Retrieve token 的值。如果为 No，按标准语言模型范式由 $x$ 生成 $y_t$，当 $y$ 生成完成或到达 $y_T$ 时，再预测 IsUSE token 的值。如果 Retrieve token 为 Yes 的话，通过 Retriever 检索出若干个上下文，用 D 表示。针对每个上下文 d，先预测 IsREL token 的值，以此表达上下文与 prompt 是否相关；同时生成下一时间步的 segment $y_t。$。然后预测上下文 d 对 $y_t$的支持程度，接着对每个 d 对应的输出 $y_t$进行排序挑选出最优者。最后等 $y$ 生成结束时，再预测 IsUSE 的值。

2.3 多向量检索器多模态 RAG

本小节涉及三种工作模式 [7]，具体为：

• 半结构化 RAG（文本 + 表格）
• 多模态 RAG（文本 + 表格 + 图片）
• 私有化多模态 RAG（文本 + 表格 + 图片）

1）半结构化 RAG（文本 + 表格）

此模式要同时处理文本与表格数据。其核心流程梳理如下 [8]：

1. 将原始文档进行版面分析（基于 Unstructured 工具 [9]），生成原始文本 和 原始表格。
2. 原始文本和原始表格经 summary LLM 处理，生成文本 summary 和表格 summary。
3. 用同一个 embedding 模型把文本 summary 和表格 summary 向量化，并存入多向量检索器。
4. 多向量检索器存入文本 / 表格 embedding 的同时，也会存入相应的 summary 和 raw data。
5. 用户 query 向量化后，用 ANN 检索召回 raw text 和 raw table。
6. 根据 query+raw text+raw table 构造完整 prompt，访问 LLM 生成最终结果。

2）多模态 RAG（文本 + 表格 + 图片）

对多模态 RAG 而言，有三种技术路线 [10]，见下图：

如图 7 所示，对多模态 RAG 而言有三种技术路线，如下我们做个简要说明：

• 选项 1：对文本和表格生成 summary，然后应用多模态 embedding 模型把文本 / 表格 summary、原始图片转化成 embedding 存入多向量检索器。对话时，根据 query 召回原始文本 / 表格 / 图像。然后将其喂给多模态 LLM 生成应答结果。
• 选项 2：首先应用多模态大模型（GPT4-V、LLaVA、FUYU-8b）生成图片 summary。然后对文本 / 表格 / 图片 summary 进行向量化存入多向量检索器中。当生成应答的多模态大模型不具备时，可根据 query 召回原始文本 / 表格 + 图片 summary。
• 选项 3：前置阶段同选项 2 相同。对话时，根据 query 召回原始文本 / 表格 / 图片。构造完整 Prompt，访问多模态大模型生成应答结果。

3）私有化多模态 RAG（文本 + 表格 + 图片）

如果数据安全是重要考量，那就需要把 RAG 流水线进行本地部署。比如可用 LLaVA-7b 生成图片摘要，Chroma 作为向量数据库，Nomic’s GPT4All 作为开源嵌入模型，多向量检索器，Ollama.ai 中的 LLaMA2-13b-chat 用于生成应答 [11]。

3. Self-RAG详解

一直在想两个问题：一是每次 query 时，通过向量库召回上下文是否必要。二是我们用到的推理 LLM 上下文窗口不会太大（比如 Baichuan2-7B/13B 只有 4096，大窗口模型 Baichuan2-192k、GPT-4 Turbo 128k、有 200k 窗口大小的零一万物的 Yi 又不容易拿到），每次 query 召回一大串上下文是否放得下。经调研，有两个方向值得深入研究：

• 在检索上下文有必要的前提下，基于 KG 可以召回高信息密度的上下文。
• 基于 Self-RAG 技术，可以按需检索上下文，同时还可进行自我评判。

3.1应用场景

一般的 RAG 应用会无差别地访问向量库获取上下文，而不管其是否真的需要。这样有可能会引入主题无关的上下文，进而导致低质量的文本生成内容。背后的原因是：推理 LLM 并没有对上下文进行适配性训练，以使生成结果与上下文语义保持一致。如图 1 左侧例子，检索上下文有可能引入有冲突的观点。

而图 1 右侧的 Self-RAG 可有效解决 RAG 中存在的无差别检索上下文的问题。他的大致原理如下：

1. 预测 prompt 是否需要上下文来增强文本生成结果。如果需要，则标记一个特殊的 retrieval token，同时根据需要调用 retriever 模块。
2. 并行处理检索的上下文，评判上下文对 prompt 的相关性，同时生成相应的结果。
3. 评判每个上下文对相应结果的支持程度，同时选择一个最好的生成结果。

上述算法描述中涉及一系列特殊的 token，其具体含义如下所示：

如图 2 所示，Self-RAG 中共有 4 种反思标记（reflection token），大致分为 Retrieve 和 Critique 两大类。其中 Critique 又分为 IsREL、IsSUP、IsUSE 三小类，其中粗体表示某类 token 期望的取值。

3.2 模型推理

第一节从应用场景角度简要概括了 Self-RAG 的工作原理，本小节详细分析 Self-RAG 的推理过程。我们直接给出推理算法如下：

推理过程输入是：prompt $x$x 和前置生成 $y_{<t}$，输出是下一时间步的 segment $y_t$。注意这里的生成任务是 segment 粒度，而不是 token 粒度，主要是出于计算性能方面的考量。

首先由语言模型 M 预测 Retrieve token 的值。如果为 No，按标准语言模型范式由 $x$ 生成 $y_t$，当 $y$生成完成或到达 $y_T$ 时，再预测 IsUSE token 的值。如果 Retrieve token 为 Yes 的话，通过 Retriever 检索出若干个上下文，用 D 表示。针对每个上下文 d，先预测 IsREL token 的值，以此表达上下文与 prompt 是否相关；同时生成下一时间步的 segment $y_t$。 然后预测上下文 d 对 $y_t$的支持程度，接着对每个 d 对应的输出 $y_t$进行排序挑选出最优者。最后等 $y$y生成结束时，再预测 IsUSE 的值。

通过生成 reflection token 自我评判输出，可以使大模型的推理过程更加可控，从而调整其行为以适应多个场景的要求。

3.2.1 自适应检索

Self-RAG 预测 retrieve token 来动态决定是否需要检索上下文。文中指出可以给定阈值，当 Retrieve=Yes 的归一化概率超过阈值时就会触发检索上下文的动作。

3.2.2 基于 critique token 的树解码

在每个 segment step t，如果需要检索的话，则会检索出 K 个上下文。文中提出一种基于 segment 的集束搜索策略（beam search），其 beam_size=B。这样在每个时间步 t，我们可以得到 top-B segment 候选，并且在生成结束时得到最好的 segment 序列。在时间步 t 时，每个上下文 d 对应的 segment 得分计算公式如下：

图 4 中的 G 代表 critique token group，比如 IsREL。在时间步 t 时，G 的得分为 $s_t^G=\frac{p_t(\hat{r})}{{\sum }_{i=1}^{N^G}{p}_t(r_i)}$ ，代表最期望的反思标记 $\hat{r}$相对有 $N^G$个不同取值的 critique token type G 的概率值。图 4 中的 $w^G$可在推理时进行调整，以定制其测试过程的行为。比如为了让 $y$很大程度上受上下文的支持，可给 IsSUP 较高的权重，而给其他 token 较低的权重，这是软性控制行为。通过在解码环节设置 critique，我们也可以释加硬性控制作为。比如当大模型生成一个不被期望的 token 时（IsSUP=No support），就可以放弃对应的 segment 候选。

3.3 模型训练

Self-RAG 的训练过程由两个模型构成：Critic、Generator。前者根据输入 x 和输出 y，生成反思标记 r。然后，我们可以根据 Critic 模型构造新的数据集（采用离线方式把反思标记写入原始数据集中），根据输入 x，来预测输出 y 和反思标记 r。

3.3.1 Critic model

如果采用人工方式为每个 segment 打标 reflection token，这将是一项繁重的工作。由于每种反思标记的定义、输入、输出均有不同，文中采用 GPT-4 为每种反思标记设置不同的指令数据，从而完成打标工作。以 Retrieve 为例 ，我们可以构造一个特定类型的指令数据，然后跟着 few-shot 样例 I，原始的输入 x 和输出 y，我们预测一个合适的反思标记。 $p(r|I,x,y)$ 。基于这个思路，可以为每种反思标记生成 4k~20k 条标记数据，他们整体上就是 Critic model 的训练数据。

有了训练数据后，我们便可基于标准的条件语言模型构建训练目标如下：

文中指出 Critic model 可以用任意的语言模型初始化，因此采用与 Generator 同样的模型进行初始化。

3.3.2 Generator model

给定原始输入 x 和输出 y，我们可借助检索器和 Critic model 进行数据增强。对每个 segment $y_t\in y$ 而言，可用 Critic model 评估是否需要检索上下文来增强文本生成质量。如果需要检索过程，那么置 Retrieve=Yes，同时触发检索器得到 K 个上下文。对每个上下文，Critic model 评判其与 x 是否相关，并预测 IsREL token 的值。如果相关，则用 Critic model 进一步评判上下文是否支持模型生成内容，并预测 IsSUP 的值。接下来，把 IsREL 和 IsSUP 放在上下文或生成 segment 后面。当完整的 y 生成结束时，Critic model 预测整体的可用性 token IsUSE。于是，把反思标记融入原始的输出 + 原始输入，就形成了训练 Generator model 的增强数据。此过程可参考下图：

有了训练数据后，我们可以构造标准的下一标记预测目标函数如下：

此处需要注意的是：Generator 不仅要预测输出，同时还要预测反思标记。在训练阶段，我们要把检索的上下文（图 6 中用 和 包围的内容）屏蔽掉，以此进行 loss 计算。同时要向原始的词汇表中添加反思标记 Critique、Retrieve，以此来扩充词表。

4.参考资料

0. https://www.zhihu.com/question/628651389/answer/3321989558
1. Chatbots | ️ Langchain
2. Rerankers and Two-Stage Retrieval | Pinecone
3. Custom Retriever combining KG Index and VectorStore Index
4. Enhanced QA Integrating Unstructured Knowledge Graph Using Neo4j and LangChain
5. https://blog.langchain.dev/using-a-knowledge-graph-to-implement-a-devops-rag-application/
6. AI pursuer：揭秘 Self-RAG 技术内幕
7. Multi-Vector Retriever for RAG on tables, text, and images：Multi-Vector Retriever for RAG on tables, text, and images
8. https://github.com/langchain-ai/langchain/blob/master/cookbook/Semi_Structured_RAG.ipynb?ref=blog.langchain.dev
9. Unstructured | The Unstructured Data ETL for Your LLM
10. https://github.com/langchain-ai/langchain/blob/master/cookbook/Semi_structured_and_multi_modal_RAG.ipynb?ref=blog.langchain.dev
11. https://github.com/langchain-ai/langchain/blob/master/cookbook/Semi_structured_multi_modal_RAG_LLaMA2.ipynb?ref=blog.langchain.dev