企业官网建设流程全解析

在线制作书封网站,网络营销教案,网址软件下载,租车网站 模板尽管大语言模型本身的能力在快速演进#xff0c;但它依然无法凭空获取训练数据之外最新或专有知识。 检索增强生成#xff08;RAG, Retrieval-Augmented Generation#xff09;正是为解决这一问题而生#xff1a; 在回答问题前#xff0c;先从知识库中检索相关资料#x…尽管大语言模型本身的能力在快速演进但它依然无法凭空获取训练数据之外最新或专有知识。检索增强生成RAG, Retrieval-Augmented Generation正是为解决这一问题而生在回答问题前先从知识库中检索相关资料再让模型参考这些资料生成答案。换言之RAG让大模型从“闭卷考试”变成了“开卷考试”。但“开卷”也不一定更容易。如果检索到的资料不完整、不准确能力再强的大模型也无法给出高质量答案。因此检索是RAG的关键检索的效果取决于系统能否完整、准确地找到与用户问题最相关的内容。01.文档切块不可避免的语义破坏几乎所有RAG系统都遵循同一条技术路径文档解析 → 文本切块(Chunks) → 向量化 → 初步检索 → 精细重排 → 大语言模型生成RAG系统流程图由于检索模型的输入长度往往有限“文本切块”就成为了必要的步骤。 文本块越小语义匹配也就越精确。但切块正是影响RAG检索质量的元凶。为了适应模型限制原本连贯的长文档被机械切分为多个独立片段容易因语义缺失、语义歧义或全局结构信息丢失导致检索不完整。以《中华人民共和国民法典》为例点击查看原文档下同在固定长度切块策略下第一百二十三条关于知识产权的定义会被切成两块当用户提问“根据知识产权定义哪些对象可享有专有权利”时文本块1因包含关键词“知识产权”很容易被系统检索命中文本块2虽然包含条目内容但由于缺失标题和上下文语义匹配得分低极有可能被检索系统忽略最终大模型只回答了法条的前四项内容而遗漏了后四项。因切块导致的语义割裂是 RAG 产生“回答不全”问题的根源。02.为什么找不到完美的切块规则既然切块会导致断章取义那能否通过优化切块规则解决问题答案是很难甚至不可能。文档格式高度多样、内容结构千差万别没有一种切块规则能够适用于所有文档。例如在《小学生满分作文》中包含题目、作者、点评等多种非统一格式元素想用规则自动将完整作文切块非常困难。《小学生满分作文》石元达作文原文更重要的是切块的“合理性”是相对于“提问”而言的。在用户提问之前我们根本不知道哪种切块方式是最优的。以《深圳市前海一方恒融商业保理有限公司2024年度第二期华发优生活四号资产支持票据募集说明书》简称《募集说明书》为例当用户提问“华发股份董事会有多少位董事”相关的内容文档中有两段第179页“公司设董事会由9名董事组成…”第522页“公司董事局由十四名董事组成…”《募集说明书》第179页但问题在于仅看这两段无法判断两处“公司”具体所指的对象。我们还要依据第132页“共同债务人一华发集团”和第499页“共同债务人二华发股份”才能确定第179页的**“公司”指的是“华发集团”**第522页的**“公司”指的是“华发股份”**。依据这个问题理想的切块需要将第132-179页共48页切到一个文本块第499-522页共24页切到另一文本块。但这样大块的内容往往超出了检索模型的可处理长度同时切得过粗也会削弱对其他细节类问题的回答精度。所以并不存在能适应所有未来提问的“十全十美”的静态切块方案。只要切块存在语义连贯性的破坏就不可避免。03.上下文重排优势及盲区既然无法从优化切块上解决问题我们能否在检索阶段进行补救当前主流检索方案采用****“逐个评估”****方式检索模型单独判断一个文本块与查询的相关性从而忽视了切块造成的上下文问题。为此我们提出了****“上下文重排”模式****。传统重排方式与长上下文重排方式比较不同于传统重排模型“一次只给一个切片打分”、需要多次独立输入的模式上下文重排采用“整体评估”模式将初步检索到的多个候选文本切片去重、按原文顺序拼接组成一段包含完整上下文的连续长文本例如60k tokens依据硬件配置长度有所不同一次性输入给重排模型。这样重排模型能够感知检索内容间的语义关联更准确地评估各部分内容与提问的相关性。回到《民法典》的例子当初步检索召回文本块1和2后重排模型将两个文本块作为整体输入理解了文本块2的前半部分是文本块1的延续最终将“知识产权”对应的法规完整返回。上下文重排流程但这一方案并非一劳永逸。如果文档较短初步检索返回的结果能完整放入60k tokens的上下文窗口那上下文重排的确能直接解决问题但当文档很长初步检索返回的候选内容长度超过60k tokens时我们不得不在重排前再做一轮筛选而这依然可能导致关键信息遗漏。换言之上下文重排的效果其实取决于初步检索是否把关键切片“捞回”。例如在《小学生满分作文集》中石元达的作文被切分成四个文本块。对于提问“石元达的作文全文是什么”初步检索的60k内容中只包含文本块1和2、传统重排仅能召回文本块1。引入上下文重排模型后成功召回了文本块1和2但文本块3和4仍然缺失。文本块3和4在初步检索阶段因语义相似度较低被过滤掉部分相关内容在初步检索阶段就被永久丢失。04.上下文扩展让RAG像人类一样“扫视”为了解决这个问题我们不妨先回顾一下在RAG技术出现之前人们是如何从文档中获取知识的在传统搜索引擎中系统只需按相关性排序返回片段列表用户会自行阅读、判断、前后翻阅从而补全上下文信息而在RAG系统中由于检索结果面向大模型大模型无法“主动翻页”或“扫视前后文”只能基于给定片段生成答案。一旦关键上下文缺失错误或不完整的回答几乎不可避免。因此RAG对检索结果的完整性要求远高于传统搜索引擎。它不能依赖“用户智慧”来弥补缺口必须通过检索机制自身来确保信息的充分性。上下文扩展一次重排为了有效实施上下文扩展我们起初尝试直接依据初步检索阶段的向量相似度分数来决定扩展策略向量相似度越⾼的⽂本块扩展范围越⼤周围文本被纳入候选集合的可能性也越高。此时RAG系统的检索流程如下上下文扩展上下文重排该策略对检索完整性的提升较为有限——许多关键但未被初步检索召回的文本块依然未能通过上下文扩展被有效补充。例如在“石元达的作文”案例中初步检索仅召回文本块1和2对文本块1和2进行上下文扩展由于文本块1和2的分数较低仅文本块3纳入候选集合文本块4并未被包含进候选集合文本块1、2与3输入重排模型文本块1-3输入大模型生成回答中遗漏文本块4可见上下文扩展并不能盲目地“多拿一点”而是需要先精准识别关键片段再有针对性地扩展其上下文。上下文扩展二次重排先识别后扩展对此我们提出****“上下文扩展二次重排”****方案引入两阶段重排机制第一次重排使用上下文重排模型对初步检索结果进行精确评分上下文扩展基于重排得分对高分文本块进行扩展——将其在文档中相邻但未被召回的前后文本块纳入候选集。得分越高扩展范围越大二次重排对扩展后的候选集再次重排筛选出最终输入大模型的最优内容这一流程赋予了RAG系统类似人类的“扫视”能力先定位最相关的关键段落再对其上下文扩展最终结合更完整语境判断相关性。上下文扩展二次重排回到“石元达的作文”案例初步检索仅召回文本块1和2第一次重排后获得较高分数上下文扩展将相邻的文本块3和4一并纳入第二次重排识别全部内容最终文本块1-4输入大模型生成准确完整的回答。可以看到经过“上下文扩展二次重排”RAG系统具备了更强的语义连贯性感知能力。05.实验评测为验证所提出策略的有效性我们在50篇长文档上构建了包含855个问题的评测集平均每个问题涉及11.3个相关段落。三种检索流程对比在实验中我们采用统一的文档解析与切分策略并使用 BGE-M3 向量模型进行初步检索。随后对各类重排模型与重排流程进行了系统评估no_rerank直接使用初步检索的向量召回结果不进行任何重排bge_rerank采用 BGE-M3 重排模型“逐个评估”模式对每个候选文本块与查询进行独立相关性评估jina_rerank采用 Jina-Reranker-v3 模型“整体评估”模式作为业界公认性能领先的长上下文重排模型能够联合评估所有候选文本块与查询的整体相关性context_rerank采用庖丁长上下文重排模型“整体评估”模式联合建模查询与全部候选文本块按照图6所示的“流程一直接重排”方案执行extend_rerank基于庖丁长上下文重排模型按照图6所示的“流程二扩展后重排”方案执行rerank_extend_rerank在庖丁长上下文重排模型的基础上按照图6所示的“流程三重排–扩展–重排”方案执行。对比六种方案我们分别截取1k、5k 和 10k tokens 的上下文作为最终召回结果并计算其与人工标注结果之间的召回率。不同上下文长度下的平均召回率实验结果表明对于依赖长上下文的问题“整体评估”形式的重排模型显著优于”逐个评估“的重排模型“上下文扩展 二次重排”策略能够进一步提升召回完整性在全部召回长度下均取得最佳性能。06.总结在RAG系统中文档切块是绕不开的工程妥协但它带来的语义碎片化是检索完整性的最大敌人。我们提出的****“上下文扩展与二次重排”****策略本质上是让RAG系统模仿人类的阅读习惯不只看孤立的片段更要基于线索去扫视周围的语境。这种方法并未改变切块的规则而是改变了检索的逻辑以极低的成本有效弥补了信息缺口。对于追求高精度、高完整性的企业级RAG应用而言这或许是突破“断章取义”瓶颈的最有效路径。07.实战应用“上下文扩展与二次重排”技术现已在ChatDOC Studio正式发布上线您可以通过PC端访问https://chatdoc.studio/ 体验不同方案的实际效果。ChatDOC Studio 提供多种服务形态您可通过网页端即时检索也可通过API调用与任意业务系统集成。ChatDOC Studio操作实机演示我们仍以石元达作文为例对比上文不同检索模式的实际表现“Basic初步检索后直接输入”模式检索结果“Contextual上下文扩展上下文重排”模式检索结果能够看到无论是选用“Basic初步检索后直接输入”还是“Contextual上下文扩展上下文重排”模式在6k token长度下系统仅能检索召回包含石元达姓名的文本切片**黄色高亮显示**而在检索步骤中就遗漏了所需要的关键信息。“Expanded上下文扩展二次重排”模式检索结果而选择“Expanded上下文扩展二次重排”模式时可以看到同样token长度下石元达作文全文被完整召回**黄色高亮显示**证明“上下文扩展二次重排”在实际应用中具备显著提升检索完整性的优势。PC端访问 https://chatdoc.studio/或点击“阅读原文”体验业界领先的文档检索方案。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。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势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大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2025 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取