今天给大家分享一个比较干的研究论文，作者们来自复旦大学。大模型时代的RAG已经经过一年多的锤炼，各种高级RAG技巧层出不穷，那到底什么技巧是有用的，哪些技巧搭配到一起才是最有效的呢？

Searching for Best Practices in Retrieval-Augmented Generation

检索增强生成（RAG）技术已被证明可以有效地整合最新信息、减轻幻觉和提高响应质量，特别是在专业领域。尽管已经提出了许多 RAG 方法来通过依赖于查询的检索来增强大型语言模型，但这些方法仍然存在复杂的实现和较长的响应时间。通常，RAG 工作流程涉及多个处理步骤，每个处理步骤都可以通过多种方式执行。在这里，我们研究现有的 RAG 方法及其潜在组合，以确定最佳的 RAG 实践。 通过大量实验，我们提出了几种平衡性能和效率的 RAG 部署策略。此外，我们证明多模态检索技术可以显着增强有关视觉输入的问答能力，并使用“检索即生成”策略加速多模态内容的生成。资源可在https://github.com/FudanDNN-NLP/RAG获取。

他们的研究涵盖了RAG的整个工作流程，从用户查询分类到文档召回重排，再到摘要生成，每个环节都尝试了不同的方法。需要对比组合的技巧一张图如下：

一个真实场景的问答系统，并非所有的用户query都需要外部知识才能解决。所以首先要面临的是用户query归类问题，如翻译，改写，推理这些信息充足的，本身是不需要召回外部知识的。 下图是一个问题类别样例，黄色是不需要RAG的，橙色是需要RAG的。

作者们做了一个二分类的分类器（是否需要召回），结果如下图，指标看起来挺乐观的。

确定需要召回之后，下一步那需要验证的是文档分块策略。评测3个维度，块大小，分块策略，向量模型选择

块大小的评测如下，向量模型使用openai ada 002, 生成模型使用 gpt 3.5 turbo，块大小在128->512收益递增，更大的块1024，2048出现了更差的结果。

分块策略，small2big是指128的块用于匹配，扩展到512的块用于生成。sliding window重叠20个token。结果如下，sliding window相对更优。

向量模型选择，参考意义不大，这里是英文。结果如下图

向量数据库选取，作者们站台milvus，支持多种索引，10亿级向量，混合搜索。

文档建立索引之后，下一个大模块是怎么召回？

query测，query改写，query分解子问题，伪文档生成（hyde）。测试结果如下，如果不考虑延时，hyde+混合搜索效果是最好的。考虑演示，混合搜索是性价比最高的。

选择hyde之后，那就要考虑构造多少个伪文档，实测发现，伪文档数量越多，是有增益的，但代价是增加延迟。所以需要在效果，效率间权衡。

稠密向量的语义搜索和稀疏向量的文本级检索，二者相关性融合的权重alpha如何定？评测发现大概在alpha=0.3，也就是稠密向量占比更大的时候，效果最优。

召回的最后一步，重排序对比。DLM （交互式二分类模型），TILDE （基于语言模型的概率来验证），基于交互式的有明显优势。

召回文档在prompt中的顺序，3种，按相关性大小降序排列（forward），升序排列（reverse），头尾颠倒着放（slides）。测试reverse竟然是最好的，是不是跟认知有差异？

召回文档的摘要，大类分抽取式，生成式，Recomp效果最好，一般应该用的比较少~

最后是生成模型的微调。下面是不同的构造数据方式，大概的结论是 - 在训练期间使用一些相关且随机选择的文档进行增强的做法是最优秀的。

最后一张大表，看清最佳实践指南。前置分类器对延时的帮助是很明显的；hybird+reranking是必备的手段，其他的如顺序，摘要等，属于锦上添花，加上有一些正向的提升。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传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】