rag

EmoLLM RAG

模块目的

根据用户的问题，检索对应信息以增强回答的专业性, 使EmoLLM的回答更加专业可靠。检索内容包括但不限于以下几点：

• 心理学相关理论
• 心理学方法论
• 经典案例
• 客户背景知识

数据集

• 经过清洗的QA对: 每一个QA对作为一个样本进行 embedding
• 经过筛选的TXT文本
  • 直接对TXT文本生成embedding (基于token长度进行切分)
  • 过滤目录等无关信息后对TXT文本生成embedding (基于token长度进行切分)
  • 过滤目录等无关信息后, 对TXT进行语意切分生成embedding
  • 按照目录结构对TXT进行拆分，构架层级关系生成embedding

数据集合构建的详情，请参考 qa_generation_README

相关组件

BCEmbedding

• bce-embedding-base_v1: embedding 模型，用于构建 vector DB
• bce-reranker-base_v1: rerank 模型，用于对检索回来的文章段落重排

Langchain

LangChain 是一个开源框架，用于构建基于大型语言模型（LLM）的应用程序。LangChain 提供各种工具和抽象，以提高模型生成的信息的定制性、准确性和相关性。

FAISS

Faiss是一个用于高效相似性搜索和密集向量聚类的库。它包含的算法可以搜索任意大小的向量集。由于langchain已经整合过FAISS，因此本项目中不在基于原生文档开发FAISS in Langchain

RAGAS

RAG的经典评估框架，通过以下三个方面进行评估:

• Faithfulness: 给出的答案应该是以给定上下文为基础生成的。
• Answer Relevance: 生成的答案应该可以解决提出的实际问题。
• Context Relevance: 检索回来的信息应该是高度集中的，尽量少的包含不相关信息。

后续增加了更多的评判指标，例如：context recall 等

方案细节

RAG具体流程

• 根据数据集构建vector DB
• 对用户输入的问题进行embedding
• 基于embedding结果在向量数据库中进行检索
• 对召回数据重排序
• 依据用户问题和召回数据生成最后的结果

Noted: 当用户选择使用RAG时才会进行上述流程

后续增强

• 将RAGAS评判结果加入到生成流程中。例如，当生成结果无法解决用户问题时，需要重新生成
• 增加web检索以处理vector DB中无法检索到对应信息的问题
• 增加多路检索以增加召回率。即根据用户输入生成多个类似的query进行检索