当前位置：首页 > news >正文

RAG（Retrieval Augmented Generation）及衍生框架：CRAG、Self-RAG与HyDe的深入探讨

news 2025/7/3 11:51:43

近年来，随着大型语言模型（LLMs）的迅猛发展，我们在寻求更精确、更可靠的语言生成能力上取得了显著进展。其中，检索增强生成（Retrieval-Augmented Generation）作为一种创新方法，极大地提升了语言模型在知识密集型任务中的表现。然而，RAG并非尽善尽美，其依赖检索文档的特点也带来了相关性和准确性的挑战。为了克服这些挑战，研究者们提出了多种衍生框架，包括纠错检索增强生成（CRAG）、自我反思检索增强生成（Self-RAG）以及HyDe（Hypothetical Document Embeddings）等，这些框架在提升语言模型性能上展现出了巨大潜力。

RAG：基础与挑战

RAG（Retrieval-Augmented Generation）通过引入外部信息检索来增强语言模型的生成能力。在生成文本时，RAG模型不仅依赖其内部参数知识，还会从外部数据源（如文档数据库）中检索相关信息作为输入。这种方法在回答知识密集型问题时尤为有效，因为模型可以直接利用检索到的具体事实来生成准确的答案。

然而，RAG方法也面临着几个核心挑战：

相关性挑战：检索到的文档可能与查询不相关，从而降低生成答案的准确性。
效率问题：不必要的检索和整合会增加模型的计算负担，影响生成速度。
泛化能力：模型在面对新的、未在训练集中出现的情况时，可能表现不佳。

为了解决这些问题，研究者们提出了多种改进方案，其中CRAG、Self-RAG和HyDe是其中的佼佼者。

CRAG：纠错检索增强生成

CRAG（Corrective Retrieval Augmented Generation）是在RAG基础上进行的一种改进，其核心思想是引入纠错机制来提高检索的准确性和相关性。

核心架构与工作原理：

检索评估机制（Retrieval Evaluator）：

1、CRAG使用一个经过微调的T5-large模型作为检索评估器，用于评估针对特定用户请求所获取文档的总体品质，并计算相关性分数。
2、在模型微调过程中，正样本（positive samples）被标记为“1”，负样本（negative samples）被标记为“-1”。
3、模型推理阶段，评估器为每篇文档计算一个相关性分数，这些分数根据特定阈值被分为“正确”、“错误”和“不确定”三个类别。

知识精炼算法（Knowledge Refinement Algorithm）：

1、CRAG采用“细分再整合”的策略来深度挖掘文档中的核心知识信息。
2、首先，使用启发式规则将文档分解为多个细粒度的知识点。
3、然后，计算每个知识点的相关性得分，并滤除得分较低的部分。
4、最后，将高相关性的知识点重组，形成内部知识库，供生成模型使用。

处理流程：

1、CRAG首先通过检索评估器评估检索文档与用户查询之间的相关性。
2、若检索结果被判定为“正确”，则使用知识精炼算法对文档内容进行优化。
3、若检索结果被判定为“错误”，则使用网络搜索引擎检索更多外部知识。
4、若检索结果被判定为“不确定”，则既需要运用知识精炼算法，也需要搜索引擎的辅助。
5、最终，经过处理的信息被转发给大语言模型（LLM），生成最终的模型响应

CRAG技术通过这种方式提高了检索结果的准确性，并减少了无关信息的干扰，从而提升了模型回答的质量。

CRAG的优势在于其能够自动识别和纠正检索过程中的错误，减少不相关文档对生成答案的负面影响。同时，通过引入纠错机制，CRAG还能够提升模型在处理复杂查询时的鲁棒性。

Self-RAG：自我反思检索增强生成

Self-RAG（Self-Reflective Retrieval-Augmented Generation）则更进一步，通过引入自我反思机制来提升语言模型的生成质量。Self-RAG不仅关注检索的准确性，还关注模型生成过程的可控性和反思能力。具体而言，Self-RAG通过以下方式实现：

反思Token生成：在生成过程中，模型会生成特殊的反思Token，如Retrieve、ISREL、ISSUP和ISUSE等，这些Token分别用于指示是否需要检索、评估检索文档的相关性、支持度和整体效用。
按需检索：根据反思Token的指示，模型决定是否需要进一步检索相关文档，并并行处理多个检索到的段落。
生成与评估：在生成答案后，模型利用反思Token进行自我评估，选择最佳输出。

Self-RAG的优势在于其能够按需检索，减少不必要的检索操作，并通过自我反思提高生成答案的事实准确性和整体质量。此外，Self-RAG还通过引入反思Token增强了模型的可控性，使其能够根据不同任务需求调整生成行为。

HyDe：假设文档嵌入

HyDe（Hypothetical Document Embeddings）是一种创新的检索增强方法，它不同于传统的基于用户查询的检索方式，而是利用语言模型生成一个假设性的响应（即虚拟文档），然后利用这个响应进行检索。

HyDE的核心架构和工作原理如下：

生成假设文档：HyDE利用语言学习模型（如GPT）根据用户的查询生成一个假设性的答案或文档。这个文档虽然不是真实存在的，但它旨在模拟相关文档的内容，从而捕获查询的相关性模式。
文档编码：生成的假设文档随后被一个无监督对比学习的编码器（如Contriever）转换成一个嵌入向量。这个向量在语料库的嵌入空间中确定了一个邻域，基于向量相似性从中检索出相似的真实文档。
相似性检索：使用生成的文档向量在本地知识库中进行相似性检索，寻找最终结果。HyDE通过这种方式能够以零样本的方式工作，即不依赖于具体的相关性标签进行训练，从而适应多种语言和任务，即使在没有明确训练数据的情况下也能进行有效的文档检索。

HyDE的工作原理可以概括为：

输入指令和查询：HyDE接收一个查询指令，例如“写一个段落来回答这个问题”。
生成文档：基于GPT的语言模型生成一个假设的文档。
文档编码与检索：生成的文档被送入对比学习的编码器，该编码器将文档转换成嵌入向量，然后这个向量被用来在语料库中查找最相似的真实文档。
返回结果：模型根据生成的文档与真实文档之间的语义相似性返回查询结果。

HyDE的优势在于它能够处理更复杂和多样化的查询，特别适用于需要高度解释性和语义理解的领域，如医疗、法律和科研文献检索。它通过创造性地解释和拓展查询内容，提供更深层次的匹配和理解，从而提高了检索的相关性和准确性

HyDe的优势在于其能够处理那些过于抽象或缺乏具体上下文的用户查询。通过生成假设文档，HyDe为检索过程提供了更多的上下文信息，从而提高了检索的准确性和相关性。

RAG及其衍生技术（CRAG、Self-RAG、HyDe）在提升语言模型准确性和适用性方面发挥了重要作用。这些技术通过引入纠正机制、自我反思和假设性文档嵌入等方法，解决了RAG在相关性和准确性方面的不足，提高了语言模型在处理知识密集型任务时的性能。

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的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。

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】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。