简介文章详细介绍了RAG知识库的质量评估与优化方法。首先构建了基于余弦相似度的评估指标体系召回率、正确度、是否基于知识并与RAGAS框架进行对比指出RAGAS判断力更强但成本更高。随后提出了两大改进方向提升召回能力优化知识切片质量和调整embedding参数和提升回答能力使用更强模型、优化提示词。强调知识库优化是系统性工程需多方面综合考量。一、前情提要——知识库评估框架搭建1.之前的评估指标我们提到了用retrieved_context、answer、ground_truth三个值分别两两做余弦相似度来衡量RAG知识库的建设情况。其中retrieved_context即RAG知识库召回的内容用作后续给大模型提示的上下文以下会简称contextanswer即大模型根据提示输出给用户所见的答案ground_truth三个值中唯一由人类编写的基准问题答案然后我们三个指标分别是召回率recall_scorecontext与ground_truth的余弦相似度对比正确度correctnessanswer与ground_truth的余弦相似度对比是否基于知识groundednesscontext与answer的余弦相似度对比2.之前犯的错之前获取context的方法为直接从基准的问答对中获取context都怪ChatGPT给我生成的代码在基准问答数量不多的情况下完全无法匹配实际知识库的内容。因此我们第一次用20个基准问答进行测评的召回率非常低只有0.54从指标上来看就是一个基本不可用的状态。所以在改进的方法里我们直接获取智能体链路中的context这样就可以真实评估知识库的建设情况。3.调整后我们的指标结果在调整过上述内容后我们用50个问答对的基准文件获取了新的三个指标结果分别是recall_score0.84354correctness0.856932groundedness0.886386可以看到分数相较之前0.540.750.59有了明显提升并且也趋于理性但这个分数到底应该怎么评价我们设计了以下评价单分数区间评价结果表现0.00 – 0.60不可用多数回答错误、检索不到内容、强幻觉0.60 – 0.70很差不稳定大量错误回答、引用不全、模型经常胡猜0.70 – 0.80差提供参考价值有限回答部分正确但经常缺失关键信息或依据不足0.80 – 0.85一般 可用性有限系统有基本功能但明显不稳定幻觉仍较多不可信任0.85 – 0.90中等初步可用70–80% 的回答还行其余需要检查0.90 – 0.95良好表现尚可整体稳定只在少数复杂问题出现偏差0.95 – 0.98优秀成熟可用绝大多数回答可直接信赖幻觉很少0.98 – 1.00卓越近乎完美所有问题都根据知识库稳定回答几乎无幻觉实际使用时可以找到分数低的基准问题来针对性优化相关的知识片段。二、为什么不用ragas来评估其实我们也已经搭建了ragas评判机制credits to 在20250315见过金玟庭的某人啾咪后续就都会用ragas来进行判断了。先简单介绍下ragasragas是一个比较热门的用来评价RAG系统的开源框架其核心除了retrieved_context、answer、ground_truth三个值外还多了query这个值就是输入问题。ragas有多个指标来衡量RAG系统的建设效果这里介绍四个基本的指标侧重生成generation指标faithfulness忠实性回答中的事实是否都能在检索到的上下文中找到依据用于衡量模型是否产生幻觉answer relevancy回答相关性生成的回答与问题的相关性有多高回答的问题与基准答案的相关性大模型根据回答逆向推断出问题判断假定的问题与真实问题的相关性侧重检索retrieval指标context precision上下文精确率检索到的K个切片中有多少是和问题、基准答案相关的context recall上下文召回率它能否检索到回答该问题所需的所有相关信息检索到的上下文与基准答案的一致程度ragas的主要计算方法不是通过余弦相似度而是让大模型自己进行判断因为余弦相似度会有这样的问题参考文档上海是中国的城市回答上海是美国的城市余弦相似度很高但答案是错的当然大模型也不是完全值得信任参数量越小的模型其判断能力也就越差而用向量计算余弦相似度也有其工程上的科学性选用哪一种方式见仁见智吧。再来总结下指标调用大模型次数/问题计算方法faithfulness1大模型判断相关性answer relevancy1逆向问题与基准问题的平均余弦相似度context precisionN召回N个片段调用N次大模型判断相关性context recallN召回N个片段调用N次大模型判断相关性在不优化提示词与调用方法的情况下在一个常规设置召回top-k为4的RAG系统中一个问题就需要调用10次通用大模型与1次embedding模型查看源码发现实际上在answer relevancy指标获取上基准问题和逆向问题各分别调了一次embedding对模型资源是一个比较大的消耗。我们在测试时用了50个基准问题大模型的调用次数已经来到了620次620次里还包含context relevance指标但我觉得这个指标没啥意义所以这里不介绍了。50个基准问题测试后结果如下faithfulness0.833375answer relevancy0.880049context precision0.963151context recall0.906750与用纯余弦相似度计算的结果相比两者的结果指标在区间上相近但在上下文质量的评估上ragas获取的分数更高。ragas的整体分数也可以用上文中的评价区间来评价这点是共通的。总的来说ragas在事实判断上更强但成本更高按需使用即可。三、如何改进提升指标上面废话了那么多后不管是用我们余弦相似度指标还是ragas框架最终目标都是去改进我们的知识库。改进有两个方向一个方向是提升召回的准确率和一致性另一个方向是提升回答得准确率和相关性。1.提升召回能力提升召回能力这个方向中有两个子提升方向一个是提升知识切片chunking的质量另一个就是对召回本身的能力进行提升。提升切片质量先明确说下在规模化的知识库场景下切片不应该依赖人工逐条完成。知识团队要做的是对原始的知识文档解析①将其中的图片、表格变成描述性文字②补充相关的段落标题、关键字③删除文档中原本为了可读性而添加的信息密度低的文字剩下的切片应该是给出规则让系统自己进行切片。在dify中dify会按照其默认配置对知识文档会进行切片在中文场景下一般设置一个chunk为500 tokens重叠50 tokens是没啥问题的。在这里ragas给了一个灵感——让大模型来打分例如以下几个维度①自洽性让大模型来评判一个chunk文本是否可以在没有任何上下文的情况下被完整理解②纯净度embedding计算一个chunk内各句子间的平均余弦相似度看一个chunk是否主题混杂③信息密度让大模型来抽取chunk中可以判断对错的句子数然后计算其占总句子数的比例比例低说明chunk很水④可检索性让大模型为chunk生成3-5个可能问题看看chunk是否出现在top-k中这个是直接对应召回率的一个指标可以综合一个加权分数然后过滤出质量差的chunk。上述方案会作为我们下阶段的探索方向等有更多成果了再跟大家汇报。另外在测评的过程中我们发现现有知识库中有很多重复内容某些语义相似的片段甚至会有自相矛盾的内容。重复内容将造成评测失真我们简单去除了明显重复的内容后召回质量也有了一定提升。 后续也可以通过更加工程化的方式找到重复的chunk简单想想的方式有先通过文本hash去除完全一致的内容然后计算每个chunk的embedding再每个chunk查找top-k相似的chunk通过相似度或大模型判断来找到语义相似的chunk。调整embedding/rerank相关参数作为产品团队或者说知识整理团队不建议对这块进行调整一是能力不够再是与其把精力花在这不如多花时间去整理知识。2.提升回答能力这个方向可以总结为两个场景一个是如何让大模型在获取了正确上下文后做出正确回答不要废话另一个是如何让大模型在没有获取正确上下文后不要自己瞎编回答。几个提升方法吧最简单的方法用更强的大模型你能用Deepseek671或者Qwen235就用能用的最高参数量的模型。要是没有显卡跑不起来可以把这篇文章给你领导看看笑优化提示词①可以明确在提示词中要求不要瞎猜例如你必须严格基于提供的知识内容回答不允许猜测。 如果知识未覆盖请回答“知识库暂无相关内容”。②可以让大模型给出引用的chunk内容。③可以让大模型回答两次然后做一致性校验。当然对于内部客服智能体来说必要性不高。知识库改进并不是简单的调参数做试验而是一个系统性的工程问题以上就是这次的一些经验汇报我们下次再见吧。最后唠两句为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200% 远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。那0基础普通人如何学习大模型 深耕科技一线十二载亲历技术浪潮变迁。我见证那些率先拥抱AI的同行如何建立起效率与薪资的代际优势。如今我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理分享于此为你扫清学习困惑共赴AI时代新程。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】
简介文章详细介绍了RAG知识库的质量评估与优化方法。首先构建了基于余弦相似度的评估指标体系召回率、正确度、是否基于知识并与RAGAS框架进行对比指出RAGAS判断力更强但成本更高。随后提出了两大改进方向提升召回能力优化知识切片质量和调整embedding参数和提升回答能力使用更强模型、优化提示词。强调知识库优化是系统性工程需多方面综合考量。一、前情提要——知识库评估框架搭建1.之前的评估指标我们提到了用retrieved_context、answer、ground_truth三个值分别两两做余弦相似度来衡量RAG知识库的建设情况。其中retrieved_context即RAG知识库召回的内容用作后续给大模型提示的上下文以下会简称contextanswer即大模型根据提示输出给用户所见的答案ground_truth三个值中唯一由人类编写的基准问题答案然后我们三个指标分别是召回率recall_scorecontext与ground_truth的余弦相似度对比正确度correctnessanswer与ground_truth的余弦相似度对比是否基于知识groundednesscontext与answer的余弦相似度对比2.之前犯的错之前获取context的方法为直接从基准的问答对中获取context都怪ChatGPT给我生成的代码在基准问答数量不多的情况下完全无法匹配实际知识库的内容。因此我们第一次用20个基准问答进行测评的召回率非常低只有0.54从指标上来看就是一个基本不可用的状态。所以在改进的方法里我们直接获取智能体链路中的context这样就可以真实评估知识库的建设情况。3.调整后我们的指标结果在调整过上述内容后我们用50个问答对的基准文件获取了新的三个指标结果分别是recall_score0.84354correctness0.856932groundedness0.886386可以看到分数相较之前0.540.750.59有了明显提升并且也趋于理性但这个分数到底应该怎么评价我们设计了以下评价单分数区间评价结果表现0.00 – 0.60不可用多数回答错误、检索不到内容、强幻觉0.60 – 0.70很差不稳定大量错误回答、引用不全、模型经常胡猜0.70 – 0.80差提供参考价值有限回答部分正确但经常缺失关键信息或依据不足0.80 – 0.85一般 可用性有限系统有基本功能但明显不稳定幻觉仍较多不可信任0.85 – 0.90中等初步可用70–80% 的回答还行其余需要检查0.90 – 0.95良好表现尚可整体稳定只在少数复杂问题出现偏差0.95 – 0.98优秀成熟可用绝大多数回答可直接信赖幻觉很少0.98 – 1.00卓越近乎完美所有问题都根据知识库稳定回答几乎无幻觉实际使用时可以找到分数低的基准问题来针对性优化相关的知识片段。二、为什么不用ragas来评估其实我们也已经搭建了ragas评判机制credits to 在20250315见过金玟庭的某人啾咪后续就都会用ragas来进行判断了。先简单介绍下ragasragas是一个比较热门的用来评价RAG系统的开源框架其核心除了retrieved_context、answer、ground_truth三个值外还多了query这个值就是输入问题。ragas有多个指标来衡量RAG系统的建设效果这里介绍四个基本的指标侧重生成generation指标faithfulness忠实性回答中的事实是否都能在检索到的上下文中找到依据用于衡量模型是否产生幻觉answer relevancy回答相关性生成的回答与问题的相关性有多高回答的问题与基准答案的相关性大模型根据回答逆向推断出问题判断假定的问题与真实问题的相关性侧重检索retrieval指标context precision上下文精确率检索到的K个切片中有多少是和问题、基准答案相关的context recall上下文召回率它能否检索到回答该问题所需的所有相关信息检索到的上下文与基准答案的一致程度ragas的主要计算方法不是通过余弦相似度而是让大模型自己进行判断因为余弦相似度会有这样的问题参考文档上海是中国的城市回答上海是美国的城市余弦相似度很高但答案是错的当然大模型也不是完全值得信任参数量越小的模型其判断能力也就越差而用向量计算余弦相似度也有其工程上的科学性选用哪一种方式见仁见智吧。再来总结下指标调用大模型次数/问题计算方法faithfulness1大模型判断相关性answer relevancy1逆向问题与基准问题的平均余弦相似度context precisionN召回N个片段调用N次大模型判断相关性context recallN召回N个片段调用N次大模型判断相关性在不优化提示词与调用方法的情况下在一个常规设置召回top-k为4的RAG系统中一个问题就需要调用10次通用大模型与1次embedding模型查看源码发现实际上在answer relevancy指标获取上基准问题和逆向问题各分别调了一次embedding对模型资源是一个比较大的消耗。我们在测试时用了50个基准问题大模型的调用次数已经来到了620次620次里还包含context relevance指标但我觉得这个指标没啥意义所以这里不介绍了。50个基准问题测试后结果如下faithfulness0.833375answer relevancy0.880049context precision0.963151context recall0.906750与用纯余弦相似度计算的结果相比两者的结果指标在区间上相近但在上下文质量的评估上ragas获取的分数更高。ragas的整体分数也可以用上文中的评价区间来评价这点是共通的。总的来说ragas在事实判断上更强但成本更高按需使用即可。三、如何改进提升指标上面废话了那么多后不管是用我们余弦相似度指标还是ragas框架最终目标都是去改进我们的知识库。改进有两个方向一个方向是提升召回的准确率和一致性另一个方向是提升回答得准确率和相关性。1.提升召回能力提升召回能力这个方向中有两个子提升方向一个是提升知识切片chunking的质量另一个就是对召回本身的能力进行提升。提升切片质量先明确说下在规模化的知识库场景下切片不应该依赖人工逐条完成。知识团队要做的是对原始的知识文档解析①将其中的图片、表格变成描述性文字②补充相关的段落标题、关键字③删除文档中原本为了可读性而添加的信息密度低的文字剩下的切片应该是给出规则让系统自己进行切片。在dify中dify会按照其默认配置对知识文档会进行切片在中文场景下一般设置一个chunk为500 tokens重叠50 tokens是没啥问题的。在这里ragas给了一个灵感——让大模型来打分例如以下几个维度①自洽性让大模型来评判一个chunk文本是否可以在没有任何上下文的情况下被完整理解②纯净度embedding计算一个chunk内各句子间的平均余弦相似度看一个chunk是否主题混杂③信息密度让大模型来抽取chunk中可以判断对错的句子数然后计算其占总句子数的比例比例低说明chunk很水④可检索性让大模型为chunk生成3-5个可能问题看看chunk是否出现在top-k中这个是直接对应召回率的一个指标可以综合一个加权分数然后过滤出质量差的chunk。上述方案会作为我们下阶段的探索方向等有更多成果了再跟大家汇报。另外在测评的过程中我们发现现有知识库中有很多重复内容某些语义相似的片段甚至会有自相矛盾的内容。重复内容将造成评测失真我们简单去除了明显重复的内容后召回质量也有了一定提升。 后续也可以通过更加工程化的方式找到重复的chunk简单想想的方式有先通过文本hash去除完全一致的内容然后计算每个chunk的embedding再每个chunk查找top-k相似的chunk通过相似度或大模型判断来找到语义相似的chunk。调整embedding/rerank相关参数作为产品团队或者说知识整理团队不建议对这块进行调整一是能力不够再是与其把精力花在这不如多花时间去整理知识。2.提升回答能力这个方向可以总结为两个场景一个是如何让大模型在获取了正确上下文后做出正确回答不要废话另一个是如何让大模型在没有获取正确上下文后不要自己瞎编回答。几个提升方法吧最简单的方法用更强的大模型你能用Deepseek671或者Qwen235就用能用的最高参数量的模型。要是没有显卡跑不起来可以把这篇文章给你领导看看笑优化提示词①可以明确在提示词中要求不要瞎猜例如你必须严格基于提供的知识内容回答不允许猜测。 如果知识未覆盖请回答“知识库暂无相关内容”。②可以让大模型给出引用的chunk内容。③可以让大模型回答两次然后做一致性校验。当然对于内部客服智能体来说必要性不高。知识库改进并不是简单的调参数做试验而是一个系统性的工程问题以上就是这次的一些经验汇报我们下次再见吧。最后唠两句为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200% 远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。那0基础普通人如何学习大模型 深耕科技一线十二载亲历技术浪潮变迁。我见证那些率先拥抱AI的同行如何建立起效率与薪资的代际优势。如今我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理分享于此为你扫清学习困惑共赴AI时代新程。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】
算法精解与面试技巧)
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
