张梦飞 ：AI商用级问答场景，怎么让AI+知识库回答的更准确？一篇专门为小白讲透RAG而作的教程（上篇）

张梦飞 ：AI商用级问答场景，怎么让AI+知识库回答的更准确？一篇专门为小白讲透RAG而作的教程（上篇） 张梦飞 ：AI商用级问答场景，怎么让AI+知识库回答的更准确？一篇专门为小白讲透RAG而作的教程（上篇） Created on April 30, 2024 4. 大模型生成回答 3. 逐词生成回答： ◦ 生成模型开始逐词构建回答。模型在每一步生成一个词，同时考虑到之前已生成的词和整个上下文的语义。这个过程是迭代的，直到整个回答构建完成。 4. 语言流畅性和准确性优化： ◦ 在回答生成的过程中，模型会优化语言的流畅性和逻辑性。确保生成的文本不仅在语法上正确，而且在逻辑上连贯，与用户问题紧密相关。 5. 回答评估与调整： ◦ 完成初步生成后，系统可能会对回答进行评估，检查其准确性、相关性和用户满意度。如果需要，可以对回答进行微调或完全重新生成。 5. 输出回答： ◦ 最终，生成的答案会呈现给用户。 这就是一个RAG的全流程，简单总结： 1. 问题解析阶段： ◦ 接收并预处理问题，通过嵌入模型（如Word2Vec、GloVe、BERT）将问题文本转化为向量。这一步确保问题向量能有效用于后续检索。 2. 知识库检索阶段： ◦ 知识库中的文档同样向量化后，比较问题向量与文档向量，选择最相关的信息片段。抽取相关信息传递给下一步骤 3. 信息整合阶段： ◦ 接收检索到的信息，与上下文构建形成融合、全面的信息文本。整合信息准备进入生成阶段。 4. 大模型生成回答： ◦ 整合后的信息被转化为向量并输入到LLM（大语言模型）。模型逐词构建回答，最终输出给用户。 4、实例 看理论有点懵是吗？为了更加具象化，我们来一起看看，让我询问AI一个问题时，经历了什么。 这是调试预览中的对话示例。在回复中，可以看到这里有写11条引用，3条上下文，我们具体来看下，有什么处理。 一、知识库检索部分： 1、把输入的问题，通过Embedding做了向量化 2、使用qwen语言模型把问题做了优化、添加了接近的检索词 3、知识库向量检索，抽取条件包含相似度0.85 4、通过检索一共抽取出了11个内容块（chunk） 二、大模型对话部分 （因为我刷新后丢失了记录，改成说了一句：你好，所以下边的问题，变成了你好） 5、此处将①②一起传递给了LLM（大语言模型），最终得到了AI的回答。 ①System：我设置的Prompt（提示词） ②Human：知识库检索的到的信息（下图两个<data 中间的内容就是知识库检索到的信息）。 ③AI：最终收到的回复信息。 现在再来看这四步操作，是否对“知识库+LLM”的问答流程会有更加清晰地认知呢？ ①、问题解析阶段 ②、知识库检索阶段 ③、信息整合阶段 ④、大模型生成回答 如果我们要对最后的输出结果进行优化，那么只需要从这些环节中入手优化即可。接下来我们开始一起实操，对每一个环节进行优化。 三、联系方式 最后，欢迎交流 4. 大模型生成回答 3. 逐词生成回答： ◦ 生成模型开始逐词构建回答。模型在每一步生成一个词，同时考虑到之前已生成的词和整个上下文的语义。这个过程是迭代的，直到整个回答构建完成。 4. 语言流畅性和准确性优化： ◦ 在回答生成的过程中，模型会优化语言的流畅性和逻辑性。确保生成的文本不仅在语法上正确，而且在逻辑上连贯，与用户问题紧密相关。 5. 回答评估与调整： ◦ 完成初步生成后，系统可能会对回答进行评估，检查其准确性、相关性和用户满意度。如果需要，可以对回答进行微调或完全重新生成。 3. 逐词生成回答： ◦ 生成模型开始逐词构建回答。模型在每一步生成一个词，同时考虑到之前已生成的词和整个上下文的语义。这个过程是迭代的，直到整个回答构建完成。 4. 语言流畅性和准确性优化： ◦ 在回答生成的过程中，模型会优化语言的流畅性和逻辑性。确保生成的文本不仅在语法上正确，而且在逻辑上连贯，与用户问题紧密相关。 5. 回答评估与调整： ◦ 完成初步生成后，系统可能会对回答进行评估，检查其准确性、相关性和用户满意度。如果需要，可以对回答进行微调或完全重新生成。 3. 逐词生成回答： ◦ 生成模型开始逐词构建回答。模型在每一步生成一个词，同时考虑到之前已生成的词和整个上下文的语义。这个过程是迭代的，直到整个回答构建完成。 ◦ 生成模型开始逐词构建回答。模型在每一步生成一个词，同时考虑到之前已生成的词和整个上下文的语义。这个过程是迭代的，直到整个回答构建完成。 4. 语言流畅性和准确性优化： ◦ 在回答生成的过程中，模型会优化语言的流畅性和逻辑性。确保生成的文本不仅在语法上正确，而且在逻辑上连贯，与用户问题紧密相关。 ◦ 在回答生成的过程中，模型会优化语言的流畅性和逻辑性。确保生成的文本不仅在语法上正确，而且在逻辑上连贯，与用户问题紧密相关。 5. 回答评估与调整： ◦ 完成初步生成后，系统可能会对回答进行评估，检查其准确性、相关性和用户满意度。如果需要，可以对回答进行微调或完全重新生成。 ◦ 完成初步生成后，系统可能会对回答进行评估，检查其准确性、相关性和用户满意度。如果需要，可以对回答进行微调或完全重新生成。 5. 输出回答： ◦ 最终，生成的答案会呈现给用户。 ◦ 最终，生成的答案会呈现给用户。 这就是一个RAG的全流程，简单总结： 1. 问题解析阶段： ◦ 接收并预处理问题，通过嵌入模型（如Word2Vec、GloVe、BERT）将问题文本转化为向量。这一步确保问题向量能有效用于后续检索。 ◦ 接收并预处理问题，通过嵌入模型（如Word2Vec、GloVe、BERT）将问题文本转化为向量。这一步确保问题向量能有效用于后续检索。 2. 知识库检索阶段： ◦ 知识库中的文档同样向量化后，比较问题向量与文档向量，选择最相关的信息片段。抽取相关信息传递给下一步骤 ◦ 知识库中的文档同样向量化后，比较问题向量与文档向量，选择最相关的信息片段。抽取相关信息传递给下一步骤 3. 信息整合阶段： ◦ 接收检索到的信息，与上下文构建形成融合、全面的信息文本。整合信息准备进入生成阶段。 ◦ 接收检索到的信息，与上下文构建形成融合、全面的信息文本。整合信息准备进入生成阶段。 4. 大模型生成回答： ◦ 整合后的信息被转化为向量并输入到LLM（大语言模型）。模型逐词构建回答，最终输出给用户。 ◦ 整合后的信息被转化为向量并输入到LLM（大语言模型）。模型逐词构建回答，最终输出给用户。 4、实例 看理论有点懵是吗？为了更加具象化，我们来一起看看，让我询问AI一个问题时，经历了什么。 这是调试预览中的对话示例。在回复中，可以看到这里有写11条引用，3条上下文，我们具体来看下，有什么处理。 这是调试预览中的对话示例。在回复中，可以看到这里有写11条引用，3条上下文，我们具体来看下，有什么处理。 这是调试预览中的对话示例。在回复中，可以看到这里有写11条引用，3条上下文，我们具体来看下，有什么处理。 一、知识库检索部分： 1、把输入的问题，通过Embedding做了向量化 2、使用qwen语言模型把问题做了优化、添加了接近的检索词 3、知识库向量检索，抽取条件包含相似度0.85 4、通过检索一共抽取出了11个内容块（chunk） 二、大模型对话部分 （因为我刷新后丢失了记录，改成说了一句：你好，所以下边的问题，变成了你好） 5、此处将①②一起传递给了LLM（大语言模型），最终得到了AI的回答。 ①System：我设置的Prompt（提示词） ②Human：知识库检索的到的信息（下图两个<data 中间的内容就是知识库检索到的信息）。 ③AI：最终收到的回复信息。 一、知识库检索部分： 1、把输入的问题，通过Embedding做了向量化 2、使用qwen语言模型把问题做了优化、添加了接近的检索词 3、知识库向量检索，抽取条件包含相似度0.85 4、通过检索一共抽取出了11个内容块（chunk） 二、大模型对话部分 （因为我刷新后丢失了记录，改成说了一句：你好，所以下边的问题，变成了你好） 5、此处将①②一起传递给了LLM（大语言模型），最终得到了AI的回答。 ①System：我设置的Prompt（提示词） ②Human：知识库检索的到的信息（下图两个<data 中间的内容就是知识库检索到的信息）。 ③AI：最终收到的回复信息。 一、知识库检索部分： 1、把输入的问题，通过Embedding做了向量化 2、使用qwen语言模型把问题做了优化、添加了接近的检索词 3、知识库向量检索，抽取条件包含相似度0.85 4、通过检索一共抽取出了11个内容块（chunk） 二、大模型对话部分 （因为我刷新后丢失了记录，改成说了一句：你好，所以下边的问题，变成了你好） 5、此处将①②一起传递给了LLM（大语言模型），最终得到了AI的回答。 ①System：我设置的Prompt（提示词） ②Human：知识库检索的到的信息（下图两个<data 中间的内容就是知识库检索到的信息）。 ③AI：最终收到的回复信息。 现在再来看这四步操作，是否对“知识库+LLM”的问答流程会有更加清晰地认知呢？ ①、问题解析阶段 ②、知识库检索阶段 ③、信息整合阶段 ④、大模型生成回答 如果我们要对最后的输出结果进行优化，那么只需要从这些环节中入手优化即可。接下来我们开始一起实操，对每一个环节进行优化。 三、联系方式 最后，欢迎交流 🎂 作者：张梦飞 作者：张梦飞 在前边把AI大模型能力接入微信后，发现很多朋友想要落地的应用场景，是让用知识库回答问题。 但目前大模型存在幻觉，一不留神就胡乱回答，这在严肃的商用场景下是不可接受的。当我想要解决此问题时，发现虽然资料很多，但是多数太偏“技术向”，对于很多和我一样的非技术从业者来说，犹如天书一般。有落地需求的朋友们，即使完成了通路搭建，也无法真正的应用。 落地场景，幻觉是不得不直面的问题。而非技术从业者的小白们，很难找到一个“说人话”的文章，让他们完全了解并应用。 而我对此比较感兴趣，同时作为产品经理，有一些用户思维和技术基础。因此我斗胆在整理、学习了多位前辈的成果后，写一篇讲给“小白”们的教程。 以下内容，如有错漏，欢迎补充、批评、指正。 原本是想把讲清楚+如何应用全写在一起的，但发现全文太长，且测试还要花些时间，因此先发上篇。 如果我直接讲理论部分，我相信小白强迫自己看了前200字就会关掉窗口。因此，我们先将这个过程具象化。 一、对话示例 以下是一个问答机器人的界面。这是一个示例，你可以把右侧的对话当做是微信的对话框，这些对话交互是可以在任何一个受支持的窗口下实现的。 上方页面左侧画红框的地方，是这个“问答机器人”的配置，右侧是与“机器人”的一轮对话。 问答机器人的配置这里有三处配置： • AI模型 • 提示词 • 知识库。 模型、提示词、知识库 三者可以想象成： • 大语言模型：是一个学习过无数本书、拥有无穷智慧的人。他读过无数的书、看过无数的段子，因此对公共知识、学识技能、日常聊天十分擅长。然而，在工作场景下，只会聊天侃大山可不行，你想让他帮你干活。这个时候，就需要“提示词”出场了， • 提示词：是你告诉这个全知全能的人，他是一个什么样的角色、他要专注于哪些技能，让他能够按照你的想法，变成一个你需要的“员工”。 • 知识库，相当于你给这个“聪明”员工的发放了一本工作手册。即使是看过再多的书、浏览过再多的文字，也不会准确的知道见到老板娘过来吃饭要打三折，张梦飞过去吃饭要打骨折。而知识库，就是把这些内容写在了工作手册上。让这个聪明的员工，见到有人来的时候，就翻一翻手册，然后再做出反应。 那我这里的设定： • AI模型：这里使用的是阿里千问模型。 • 提示词：这里设定的角色是“美嘉”，是按照美嘉的人设、背景和对话风格做的设定。 • 知识库：这里放的是《爱情公寓》全季的剧情，让“美嘉”拥有了自己过往的“记忆”，知道自己做过什么、好朋友是谁等等。 右侧是一个十分简单的问答，我问： “你是谁？你和子乔在台球厅吵架那次是为了什么吵架？” 她的回复是： “我是陈美嘉，那次在台球厅和吕子乔吵架是因为他约会被人撞见，我讽刺他脸大影响信号，他还反击我。后来谈到过去的事情，我指责他忘恩负义，他就说我平。最后，我伤心地说要分手，因为他之前甩过我。” 其中，她是陈美嘉，这里是人设中的设定。 吵架的经过是知识库中的内容。 在我提问了之后，大模型去知识库里找到了这个内容，然后回复了我们。这就是一个简单的正确回复的demo。 然而，我们会发现，有时候她的回答会十分不准确。 比如： 明显回答的牛头不对马嘴。而且，图二中是知识库截图，其中是有“一菲为美嘉找了一份助教工作”的内容的。但是回答这个问题时，并没有根据正确的知识库内容回答。 这个，就是基于知识库问答中的一个非常常见的错误场景。在其他情况下，甚至有可能出现报价错误、胡编乱造等等。这在严肃场景中，是不能接受的出错。 现在应该能够直观的理解，为什么需要让大模型根据知识库回答的更加准确、更符合我们的要求。 在AI领域中，优化AI更准确的回答一些专有问题的过程，有一个更加专业的术语，叫做RAG。接下来，咱们进入正题，一步一步探索，如何优化回答。 二、问答 如果我们要优化幻觉问题和提高准确性，就务必要了解清楚从“问题输入” “得到回复”，这个过程中，究竟发生了什么。然后针对每一个环节，逐个调优，以达到效果最佳化。 因此，我们先深入其中了解问答全貌。 1、RAG RAG（Retrieval Augmented Generation），即检索增强生成，是一种结合信息检索和文本生成能力的技术，它由两部分组成：一个“检索器”和一个“生成器”。检索器从外部知识中快速找到与问题相关的信息，生成器则利用这些信息来制作精确和连贯的答案。这种结合使得RAG非常适合处理需要广泛知识的任务，如问答系统，能够提供详细而准确的回答。 简单来说，就是通过检索的模式，为大语言模型的生成提供更多信息，从而使大模型生成的答案更符合要求。 简单来说，就是通过检索的模式，为大语言模型的生成提供更多信息，从而使大模型生成的答案更符合要求。 2、向量 首先我们需补个课，简单了解一下大模型中的“向量”：（同时建议了解下LLM的实现原理） 你可以把向量想象成空间中的点位，而每个词或短语都对应一个点。 当系统需要找到与一个特定词或短语相关的内容时，它会查看这个词在虚拟空间中点的位置，寻找直线距离最近的点。在这个空间中，距离越近的点，代表词义或内容上的关联度越高。 简单来说，通过比较这些点的距离，检索器可以快速找到语义上接近的词语或信息，从而高效地检索相关内容。这就像在一个城市地图上找最近的餐馆，距离越近，越可能是你想去的地方。 简单来说，通过比较这些点的距离，检索器可以快速找到语义上接近的词语或信息，从而高效地检索相关内容。这就像在一个城市地图上找最近的餐馆，距离越近，越可能是你想去的地方。 理解了向量，我们来看看收到一个对话时，RAG的完整的工作流程。 3、RAG的工作原理 ①、问题解析阶段 ②、知识库检索阶段 ③、信息整合阶段 ④、大模型生成回答 1. 问题解析阶段： a. 收到问题后，问题会被预处理，然后输入进嵌入模型（Embedding Modle）转化为向量。以便后续检索时，能够把问题语句与向量数据库中的其他上下文信息进行比对。 具体进行了什么操作呢？（了解即可） 1. 文本预处理： ◦ 这包括去除无关字符、标准化文本（例如将所有字符转换为小写）、分词等，以清洁和准备文本数据。 2. 嵌入表示： ◦ 将预处理后的文本（词或短语）转换为向量。这通常通过使用预训练的嵌入模型来完成，如Word2Vec、GloVe、BERT等。这些模型将每个词或短语映射到一个高维空间中的一个点（即向量）。 3. 特征提取： ◦ 对于整个问题句子，可能会应用进一步的特征提取技术，比如句子级别的嵌入，或使用深度学习模型（如BERT）直接提取整个句子的表示。这个表示能够捕捉句子的上下文信息，不仅仅是单个词。 4. 向量优化： ◦ 在某些情况下，问题的向量表示可能会根据具体任务进行优化，例如通过调整模型参数来更好地与检索系统的其他部分协同工作。 a. 收到问题后，问题会被预处理，然后输入进嵌入模型（Embedding Modle）转化为向量。以便后续检索时，能够把问题语句与向量数据库中的其他上下文信息进行比对。 具体进行了什么操作呢？（了解即可） 1. 文本预处理： ◦ 这包括去除无关字符、标准化文本（例如将所有字符转换为小写）、分词等，以清洁和准备文本数据。 2. 嵌入表示： ◦ 将预处理后的文本（词或短语）转换为向量。这通常通过使用预训练的嵌入模型来完成，如Word2Vec、GloVe、BERT等。这些模型将每个词或短语映射到一个高维空间中的一个点（即向量）。 3. 特征提取： ◦ 对于整个问题句子，可能会应用进一步的特征提取技术，比如句子级别的嵌入，或使用深度学习模型（如BERT）直接提取整个句子的表示。这个表示能够捕捉句子的上下文信息，不仅仅是单个词。 4. 向量优化： ◦ 在某些情况下，问题的向量表示可能会根据具体任务进行优化，例如通过调整模型参数来更好地与检索系统的其他部分协同工作。 1. 文本预处理： ◦ 这包括去除无关字符、标准化文本（例如将所有字符转换为小写）、分词等，以清洁和准备文本数据。 ◦ 这包括去除无关字符、标准化文本（例如将所有字符转换为小写）、分词等，以清洁和准备文本数据。 2. 嵌入表示： ◦ 将预处理后的文本（词或短语）转换为向量。这通常通过使用预训练的嵌入模型来完成，如Word2Vec、GloVe、BERT等。这些模型将每个词或短语映射到一个高维空间中的一个点（即向量）。 ◦ 将预处理后的文本（词或短语）转换为向量。这通常通过使用预训练的嵌入模型来完成，如Word2Vec、GloVe、BERT等。这些模型将每个词或短语映射到一个高维空间中的一个点（即向量）。 3. 特征提取： ◦ 对于整个问题句子，可能会应用进一步的特征提取技术，比如句子级别的嵌入，或使用深度学习模型（如BERT）直接提取整个句子的表示。这个表示能够捕捉句子的上下文信息，不仅仅是单个词。 ◦ 对于整个问题句子，可能会应用进一步的特征提取技术，比如句子级别的嵌入，或使用深度学习模型（如BERT）直接提取整个句子的表示。这个表示能够捕捉句子的上下文信息，不仅仅是单个词。 4. 向量优化： ◦ 在某些情况下，问题的向量表示可能会根据具体任务进行优化，例如通过调整模型参数来更好地与检索系统的其他部分协同工作。 ◦ 在某些情况下，问题的向量表示可能会根据具体任务进行优化，例如通过调整模型参数来更好地与检索系统的其他部分协同工作。 2. 知识库检索阶段： 此阶段，首先需要有一个知识库，那么知识库是如何完成制作，并被检索的呢？ 我们需要先了解一个概念，在大模型的检索中，并不是依靠传统的关键字去搜索。而是依靠问题在空间中的向量位置，去寻找距离这个向量最近的其他词句，然后完成检索。 所以，要在向量中进行检索，我们的知识库其实也是被转化成了了一个巨大的向量库。 ◦ 知识库文档向量化：知识库中的文档也需要被转换成向量形式。这使得文档内容能够在数值级别上与问题向量进行比较。在我们使用知识库工具时，上传文档就会帮助我们完成文档的向量化。这一步就是依靠Embedding Modle完成的。 知识库检索： ◦ 根据前一步输出的问题向量，检索器开始在一个庞大的向量空间中搜索与问题相关的内容（既向量距离最接近）。检索器根据问题的关键词和上下文，选出最相关的信息片段。 在这一步，检索器从知识库里，检索到了一些和用户问题最相关的内容。 检索器具体进行了什么操作呢？（了解即可）？ 1. 相似性计算： ◦ 使用一种相似性度量方法（如余弦相似性）来计算问题向量和各个文档向量之间的相似度。这一步是为了找出与问题内容最为接近的文档。 2. 排序与选择： ◦ 根据相似性得分，所有文档会被排序。系统通常会选择得分最高的几个文档，认为这些文档与问题最相关。 3. 信息抽取： ◦ 从选定的高相关性文档中抽取具体的信息片段或答案。这可能涉及到进一步的文本处理技术，如命名实体识别、关键短语提取等。 此阶段，首先需要有一个知识库，那么知识库是如何完成制作，并被检索的呢？ 我们需要先了解一个概念，在大模型的检索中，并不是依靠传统的关键字去搜索。而是依靠问题在空间中的向量位置，去寻找距离这个向量最近的其他词句，然后完成检索。 所以，要在向量中进行检索，我们的知识库其实也是被转化成了了一个巨大的向量库。 ◦ 知识库文档向量化：知识库中的文档也需要被转换成向量形式。这使得文档内容能够在数值级别上与问题向量进行比较。在我们使用知识库工具时，上传文档就会帮助我们完成文档的向量化。这一步就是依靠Embedding Modle完成的。 知识库检索： ◦ 根据前一步输出的问题向量，检索器开始在一个庞大的向量空间中搜索与问题相关的内容（既向量距离最接近）。检索器根据问题的关键词和上下文，选出最相关的信息片段。 在这一步，检索器从知识库里，检索到了一些和用户问题最相关的内容。 检索器具体进行了什么操作呢？（了解即可）？ 1. 相似性计算： ◦ 使用一种相似性度量方法（如余弦相似性）来计算问题向量和各个文档向量之间的相似度。这一步是为了找出与问题内容最为接近的文档。 2. 排序与选择： ◦ 根据相似性得分，所有文档会被排序。系统通常会选择得分最高的几个文档，认为这些文档与问题最相关。 3. 信息抽取： ◦ 从选定的高相关性文档中抽取具体的信息片段或答案。这可能涉及到进一步的文本处理技术，如命名实体识别、关键短语提取等。 1. 相似性计算： ◦ 使用一种相似性度量方法（如余弦相似性）来计算问题向量和各个文档向量之间的相似度。这一步是为了找出与问题内容最为接近的文档。 ◦ 使用一种相似性度量方法（如余弦相似性）来计算问题向量和各个文档向量之间的相似度。这一步是为了找出与问题内容最为接近的文档。 2. 排序与选择： ◦ 根据相似性得分，所有文档会被排序。系统通常会选择得分最高的几个文档，认为这些文档与问题最相关。 ◦ 根据相似性得分，所有文档会被排序。系统通常会选择得分最高的几个文档，认为这些文档与问题最相关。 3. 信息抽取： ◦ 从选定的高相关性文档中抽取具体的信息片段或答案。这可能涉及到进一步的文本处理技术，如命名实体识别、关键短语提取等。 ◦ 从选定的高相关性文档中抽取具体的信息片段或答案。这可能涉及到进一步的文本处理技术，如命名实体识别、关键短语提取等。 3. 信息整合阶段： ◦ 信息融合：在这里接收到上一步中检索到的全部信息。然后把这些信息连带用户问题和系统预设，被整合成一个全新的上下文环境，为生成回答提供基础。 具体进行了什么操作呢？（了解即可）？ 1. 信息筛选与确认： ◦ 首先，系统会对检索器提供的信息进行评估，筛选出最相关和最可信的内容。这通常涉及到对信息的来源、时效性和相关性进行验证。 2. 消除冗余： ◦ 在多个文档或数据源中，可能会有重复的信息。系统需要识别和去除这些冗余内容，以防在生成回答时出现重复或相互矛盾的信息。 3. 关系映射： ◦ 系统将分析不同信息片段之间的逻辑和事实关系，如因果、对比、顺序等。这有助于构建一个结构化的知识框架，使得信息在语义上更加连贯。 4. 上下文构建： ◦ 将筛选和结构化的信息组织成一个连贯的上下文环境。这通常包括对信息进行排序、归类和整合，使其形成一个统一的叙述或解答框架。 5. 语义融合： ◦ 在必要时，系统可能会进行语义融合，即合并意义相近但表达不同的信息片段，以减少语义上的重复并增强信息的表达力。 6. 预备生成阶段： ◦ 最后，整合好的上下文信息被编码成适合生成器处理的格式，如将文本转化为适合输入到生成模型的向量形式。 ◦ 信息融合：在这里接收到上一步中检索到的全部信息。然后把这些信息连带用户问题和系统预设，被整合成一个全新的上下文环境，为生成回答提供基础。 具体进行了什么操作呢？（了解即可）？ 1. 信息筛选与确认： ◦ 首先，系统会对检索器提供的信息进行评估，筛选出最相关和最可信的内容。这通常涉及到对信息的来源、时效性和相关性进行验证。 2. 消除冗余： ◦ 在多个文档或数据源中，可能会有重复的信息。系统需要识别和去除这些冗余内容，以防在生成回答时出现重复或相互矛盾的信息。 3. 关系映射： ◦ 系统将分析不同信息片段之间的逻辑和事实关系，如因果、对比、顺序等。这有助于构建一个结构化的知识框架，使得信息在语义上更加连贯。 4. 上下文构建： ◦ 将筛选和结构化的信息组织成一个连贯的上下文环境。这通常包括对信息进行排序、归类和整合，使其形成一个统一的叙述或解答框架。 5. 语义融合： ◦ 在必要时，系统可能会进行语义融合，即合并意义相近但表达不同的信息片段，以减少语义上的重复并增强信息的表达力。 6. 预备生成阶段： ◦ 最后，整合好的上下文信息被编码成适合生成器处理的格式，如将文本转化为适合输入到生成模型的向量形式。 1. 信息筛选与确认： ◦ 首先，系统会对检索器提供的信息进行评估，筛选出最相关和最可信的内容。这通常涉及到对信息的来源、时效性和相关性进行验证。 ◦ 首先，系统会对检索器提供的信息进行评估，筛选出最相关和最可信的内容。这通常涉及到对信息的来源、时效性和相关性进行验证。 2. 消除冗余： ◦ 在多个文档或数据源中，可能会有重复的信息。系统需要识别和去除这些冗余内容，以防在生成回答时出现重复或相互矛盾的信息。 ◦ 在多个文档或数据源中，可能会有重复的信息。系统需要识别和去除这些冗余内容，以防在生成回答时出现重复或相互矛盾的信息。 3. 关系映射： ◦ 系统将分析不同信息片段之间的逻辑和事实关系，如因果、对比、顺序等。这有助于构建一个结构化的知识框架，使得信息在语义上更加连贯。 ◦ 系统将分析不同信息片段之间的逻辑和事实关系，如因果、对比、顺序等。这有助于构建一个结构化的知识框架，使得信息在语义上更加连贯。 4. 上下文构建： ◦ 将筛选和结构化的信息组织成一个连贯的上下文环境。这通常包括对信息进行排序、归类和整合，使其形成一个统一的叙述或解答框架。 ◦ 将筛选和结构化的信息组织成一个连贯的上下文环境。这通常包括对信息进行排序、归类和整合，使其形成一个统一的叙述或解答框架。 5. 语义融合： ◦ 在必要时，系统可能会进行语义融合，即合并意义相近但表达不同的信息片段，以减少语义上的重复并增强信息的表达力。 ◦ 在必要时，系统可能会进行语义融合，即合并意义相近但表达不同的信息片段，以减少语义上的重复并增强信息的表达力。 6. 预备生成阶段： ◦ 最后，整合好的上下文信息被编码成适合生成器处理的格式，如将文本转化为适合输入到生成模型的向量形式。 ◦ 最后，整合好的上下文信息被编码成适合生成器处理的格式，如将文本转化为适合输入到生成模型的向量形式。 ◦ 生成器：最终全新的上下文被一起传递给大语言模型。随后，大语言模型（LLM）根据提供的信息来回答问题。 ◦ 因为这个上下文包括了检索到的信息，因此大语言模型相当于同时拿到了问题和参考答案，通过LLM的全文理解，最后生成一个准确和连贯的答案。 在生成过程中，系统基于整合好的上下文信息来构建最终的回答时。这个过程具体包括以下关键步骤： 1. 上下文向量化： ◦ 将整合后的上下文信息转化为向量。这通常通过一个预训练的语言模型进行，例如BERT或GPT。这些向量能够捕捉上下文中的语义信息，为生成回答提供必要的输入。 ◦ 将整合后的上下文信息转化为向量。这通常通过一个预训练的语言模型进行，例如BERT或GPT。这些向量能够捕捉上下文中的语义信息，为生成回答提供必要的输入。 2. 生成模型激活： ◦ 使用一个基于Transformer的生成模型（如GPT）接收向量化的上下文。这个模型利用自注意力机制来理解上下文中的各种关系和信息。 ◦ 使用一个基于Transformer的生成模型（如GPT）接收向量化的上下文。这个模型利用自注意力机制来理解上下文中的各种关系和信息。