2023年大模型（LLM）火了以后，很多人用它來寫文章、寫文案、寫總結，生成圖片、極大地提高了工作效率。

　　但是用得多了以后就發現，這大模型還有很多缺陷的，它的訓練數據通常滯后，新的東西它根本不知道，由于訓練一次時間很長，成本很高，知識也很難更新。在高度專業化的領域，缺乏領域深度，并且可能會生成錯誤的回答。

　　01

　　RAG

　　為了解決大模型的這些問題，RAG（Retrieval-Augmented Generation）被提了出來。

　　RAG的想法很簡單，把傳統檢索和生成模型做結合，用戶在使用之前，先建立一個知識庫，把專業領域知識“向量化”以后，存到向量庫中。

　　當用戶提出以后，RAG先利用檢索模塊從知識庫中查找與輸入問題或上下文相關的內容，然后將檢索到的信息與原始輸入一起提供給大模型，最后大模型再進行生成輸出。

　　RAG通過檢索模塊訪問外部知識庫，突破生成模型的參數規模限制，提供最新且廣泛的知識。還能夠追蹤回答的來源，增強結果的可信度，知識更新也很方便。

　　所以RAG在智能客服，法律問答、學術問答等領域中非常好用。

　　02

　　RAG的痛點

　　但是RAG在工作的時候，需要用傳統的方法來檢索知識庫，從中檢索出來的很可能是“難負樣本”（Hard Negative Samples），什么是難負樣本呢？

　　舉個例子，假設你正在訓練一個貓和狗分類模型：

　　?正樣本：貓的圖片。

　　?負樣本：不是貓的圖片，比如狗、鳥、汽車等。

　　?普通負樣本：一輛汽車的圖片，與貓完全無關。

　　?難負樣本：一只小貓形狀類似的狗（比如有貓的毛色特征）

　　簡單來說，難負樣本就是和正樣本非常相似的負樣本，它們看起來與目標類別接近，實際上屬于錯誤類別。

　　RAG的檢索模塊是利用傳統檢索去訪問知識庫的，這時候很有可能會把“難負樣本”給檢索出來，然后輸入給大模型生成回答，大模型分不清真假，基于“難負樣本”進行回答，不但無法生成正確答案，反而會被誤導，導致回答質量下降，甚至引入“幻覺”現象。

　　RAG這么好的增強技術，難道就因為“難負樣本”給搞壞了嗎？能不能在檢索結果中把“難負樣本”給剔除出去？

　　03

　　阿里云百煉：RAG全新升級

　　最近我發現阿里巴巴的百煉平臺對RAG框架做了升級，有效地解決了“幻覺”問題。

　　通常情況下，在對知識庫進行搜索的時候，是根據文本相似度的閾值來進行判定的，例如下面的例子，閾值是0.4，chunk1和chunk2高于0.4，那就作為搜索結果返回了。chunk3的相似度是0.3，低于閾值，就被丟棄了。

　　最終，chunk1和chunk2再加上用戶的問題被發給大模型。

　　這種根據文本相似度判斷的方法速度比較快，但是準確一般，還有可能產生“難負樣本”，在大模型那里產生幻覺。

　　阿里云的百煉平臺則在相似度的基礎上，引入了“拒識模塊”，系統首先通過相似度閾值篩選出初步的搜索結果，然后利用大模型對這些結果進行深入分析，判斷它們與用戶查詢的關聯程度。

　　比如下圖，根據相似度閾值，chunk1和chunk2已經被取出，但是通過大模型的分析以后，發現chunk1和用戶的查詢沒有關聯，就被拋棄了。

　　最終，只有chunk1加上用戶的查詢發給了大模型來生成答案，由于信息關聯性極高，幻覺就被消除了。

　　通過這一機制，大模型在生成回答前，能夠先對候選信息進行一次全面的“質量檢查”，確保所有用于生成的信息都是高度相關且可靠的。

　　從具體實現上來說，“拒識模塊“包括了三個重點的組成部分：

　　1. 復雜的指令系統

　　既然要使用大模型來判斷檢索結果與用戶問題的相關度，那必然要有一套指令系統來告訴大模型怎么處理，例如告訴大模型：檢索結果中涉及的實體與用戶問題中的實體要完全一致啊，否則就認為不相關。

　　2. 大模型調用

　　調用大語言模型，得到每條檢索文檔的相關性判斷。

　　3. 后處理

　　根據大模型輸出的相關性結果，過濾掉那些不相關的檢索文檔。如果相關文檔列表為空，則直接返回無答案，避免大語言模型產生幻覺答案。

　　04

　　使用全新的RAG

　　“拒識模塊”的處理過程聽起來非常復雜，但是是阿里云百煉平臺上，已經把整個過程都封裝好了，用戶只需點幾下按鈕就可以啟用這個強大的功能。

　　在阿里云百煉平臺上，選擇創建一個RAG應用：

　　例如我創建RAG應用叫做“碼農翻身張大胖”，目的是把我公眾號的文章建立一個知識庫，讓這個智能體應用去檢索，回答用戶提出的問題。

　　這里要打開“知識庫檢索增強”，把我的文章傳上去，讓檢索模塊去搜索。

　　然后重點進行“檢索配置”，進行“回答范圍設定”，選擇“搜索閾值+大模型判斷”就可以了，剩下的就不用管了。

　　接下來，就可以向這個RAG應用發問了：

　　05

　　總結

　　阿里云百煉集成了200多款大模型的API，涵蓋通義千問、Llama、ChatGLM等國內外主流模型，可以直接調用模型進行推理，其中通義千問的QPS和TPM基本拉滿，可提升到500萬，完全可以滿足高并發場景的需求。

　　如果你想訓練自己的模型，百煉也提供從數據管理、模型調優、評測到部署的全鏈路模型服務，用戶可彈性按需調用算力，無需關心底層架構。

　　在百煉平臺上，還可以輕松地創建RAG應用，一鍵開啟知識檢索增強（RAG），建立知識庫，在檢索配置上，通過“搜索閾值+大模型判斷”的方式，更好地解決了大模型幻覺問題，讓大模型在復雜場景下的應用開辟了新的可能性，進一步推動了人工智能技術的發展和應用。