深入解析complex-RAG-guide项目中的RAG实现流程
2025-07-09 04:16:13作者:谭伦延
项目概述
complex-RAG-guide项目展示了一个完整的检索增强生成(RAG)系统实现,使用《魔法世界与奇幻冒险》作为示例文本。该项目涵盖了从数据预处理、文本编码到检索和评估的完整流程,是学习现代RAG系统实现的优秀案例。
核心组件与技术栈
主要技术依赖
该项目基于以下关键技术构建:
- LangChain框架:用于构建RAG流程的核心框架
- OpenAI/Groq API:提供大语言模型能力
- FAISS向量数据库:用于高效相似性搜索
- RAGAS评估框架:用于评估RAG系统质量
关键Python库
from langchain_openai import ChatOpenAI
from langchain_groq import ChatGroq
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from ragas import evaluate
数据预处理流程
1. 文档加载与章节分割
项目首先将PDF文档分割为独立章节:
# 加载PDF文档
loader = PyPDFLoader(hp_pdf_path)
document = loader.load()
# 分割为章节
chapters = split_into_chapters(hp_pdf_path)
print(len(chapters)) # 输出章节数量
2. 文本清洗
使用辅助函数进行文本标准化处理:
# 替换制表符为空格
chapters = replace_t_with_space(chapters)
# 处理多余换行符
summary_text = replace_double_lines_with_one_line(summary_result["output_text"])
3. 引用提取
项目实现了专门的引用提取功能:
# 从文档中提取引用
book_quotes_list = extract_book_quotes_as_documents(document_cleaned)
文本摘要生成
摘要提示模板
定义了专业的摘要生成提示词:
summarization_prompt_template = """Write an extensive summary of the following:
{text}
SUMMARY:"""
动态摘要策略
根据文本长度自动选择摘要策略:
if num_tokens < gpt_35_turbo_max_tokens:
# 短文本使用"stuff"策略
chain = load_summarize_chain(llm, chain_type="stuff")
else:
# 长文本使用"map_reduce"策略
chain = load_summarize_chain(llm, chain_type="map_reduce")
向量编码与检索
1. 向量编码实现
项目实现了三种编码方式:
# 全书编码
chunks_vector_store = encode_book(hp_pdf_path)
# 章节摘要编码
chapter_summaries_vector_store = encode_chapter_summaries(chapter_summaries)
# 引用编码
book_quotes_vectorstore = encode_quotes(book_quotes_list)
2. 检索器配置
针对不同粒度配置检索器:
# 文本块检索器(返回1个最相关结果)
chunks_query_retriever = chunks_vector_store.as_retriever(search_kwargs={"k": 1})
# 章节摘要检索器
chapter_summaries_query_retriever = chapter_summaries_vector_store.as_retriever(search_kwargs={"k": 1})
系统评估
项目使用RAGAS框架进行多维度评估:
from ragas.metrics import (
answer_correctness,
faithfulness,
answer_relevancy,
context_recall,
answer_similarity
)
最佳实践与技巧
- 分块策略:使用重叠分块(200token重叠)确保上下文连贯性
- 模型选择:根据文本长度自动选择最优处理策略
- 性能优化:缓存向量存储避免重复计算
- 评估全面性:使用5种指标全面评估系统表现
总结
complex-RAG-guide项目提供了一个工业级RAG系统的完整实现范例,特别值得学习的是:
- 多粒度文本处理(全书、章节、引用)
- 动态处理策略选择
- 全面的评估体系
- 工程化的实现细节
这个项目是理解现代RAG系统工作原理和实践的绝佳材料,开发者可以基于此框架快速构建自己的知识问答系统。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
274

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8