LangChain应用开发指南-不用向量也可以RAG 精华

RAG面临的挑战和问题

在当前AI的落地应用中，最火热的应用首推检索增强生成（Retrieval-Augmented Generation）。它的目的是根据用户的问题，从一个大规模的文档集合中检索出相关的文档，并从中抽取出最合适的答案。RAG的应用场景非常广泛，例如智能客服、知识图谱构建、对话系统等。

然而，幻觉是笼罩在RAG应用上，挥之不去的乌云。一般来说RAG会经历，原始数据向量化->语义搜索数据召回->大模型整合输出。RAG因此也面临着一些挑战和问题，其中最主要的有以下三个方面：

• 「数据向量化的信息损失」。为了实现高效的文档检索，通常需要将原始的文本数据转化为数值向量，这一过程又称为数据向量化（Data Embedding）。数据向量化的目的是将文本数据映射到一个低维的向量空间中，使得语义相似的文本在向量空间中的距离较近，而语义不相似的文本在向量空间中的距离较远。然而，数据向量化也会导致一定程度的信息损失，因为文本数据的复杂性和多样性很难用有限的向量来完全表达。因此，数据向量化可能会忽略一些文本数据的细节和特征，从而影响文档检索的准确性。
• 「语义搜索的不准确」。在RAG中，语义搜索（Semantic Search）是指根据用户的问题，从文档集合中检索出与问题语义最相关的文档，这一过程又称为数据召回（Data Retrieval）。语义搜索的难点在于如何理解用户的问题和文档的语义，以及如何衡量问题和文档之间的语义相似度。目前，语义搜索的主流方法是基于数据向量化的结果，利用向量空间中的距离或相似度来度量语义相似度。然而，这种方法也存在一些局限性，例如向量空间中的距离或相似度并不一定能反映真实的语义相似度，而且向量空间中的噪声和异常值也会干扰语义搜索的结果。因此，语义搜索的准确率也无法有100%的保证。
• 「LLM的幻觉」。在RAG中，LLM（Large Language Model）是指一个大规模的预训练语言模型，它的作用是根据用户的问题和检索到的文档，生成最合适的答案，这一过程又称为数据整合（Data Integration）。LLM的优势在于它能够利用海量的文本数据进行自我学习，从而具备强大的语言理解和生成能力。然而，LLM也存在一些问题，例如LLM可能会产生一些与事实不符或者逻辑不通的答案，这种现象又称为LLM的幻觉（Hallucination）。LLM的幻觉的原因有很多，例如LLM的预训练数据可能存在一些错误或偏见，LLM的生成过程可能存在一些随机性或不确定性，LLM的输出可能受到一些外部因素的影响等。因此，LLM的准确率也是不可靠的。

综上所述，我们可以得到这样一个公式，

RAG的输出的准确率=
向量信息保留率 * 语义搜索准确率 * LLM准确率

由于这三个环节是串行的，准确率最终是三者的乘积，因而任何一个环节的短板都将导致整体的准确率完全无法保证。

目前来看，业界针对RAG的优化也主要是围绕这三个环节开展

• 通过COT等方式提升LLM对问题的理解程度
• 使用sentence window retrive、rerank等方式提升语义搜索的准确率
• 通过针对的选择和优化embedding算法来最大化的保留原始数据的信息。

然而由于最终结果是三者的乘积，即便是耗费大量精力将每个环节都优化到90%，最终乘积也只有72%。

那么，有没有一种方法，可以避免数据向量化和语义搜索的问题，直接利用原始数据和LLM的交互，提高RAG的准确率和效率呢？本文的目的就是介绍一种不用向量也可以RAG的方法，它基于结构化数据和LLM的交互，实现了一种新颖的RAG模式，具有准确、高效、灵活、易扩展等优势。

基于结构化数据来RAG

我们不妨换个思路，上文拆解的三个环节，LLM是自然语言对话的根基无可替代，但是RAG是否必须向量化，必须基于语义召回呢？

并非如此，在未引入LLM之前，传统检索信息的方式是通过将数据结构话，将特征提前抽象为列，通过有限的标签集进行描述，最终通过行式数据库存储，以标准sql来查询。传统数据检索的方式胜在准确且高效，弱势则在于查询存在一定门槛，交互上缺少人味。如果原始数据本身就是结构化，标签化的，那么我们大可不必将这部分的数据做embeding。

结构化数据的特点是数据的特征和属性都是明确的，可以用有限的标签集进行描述，可以用标准的查询语言进行检索。不用向量也可以RAG的方法的基本思路就是利用结构化数据和LLM的交互，避免数据向量化和语义搜索的问题，直接使用标准查询和原始数据进行回复。

基于这个思路，以餐饮生活助手为例，整体的交互处理思路如下：

• 用户提问。用户输入一个自然语言的问题，例如“我们3个人想找个人均50左右的重庆火锅店”。
• LLM提取核心信息并形成标准查询。LLM根据用户的问题，提取出核心的信息和条件，例如人数、价格、类型等，并形成一个标准的查询语句，例如

{
    "numOfPeople": 3,
    "avgOfAmount": 50,
    "type": "重庆火锅"
}

• 查询结构化数据。LLM用这个查询语句去检索结构化数据，得到相关的数据记录，例如：

{
    "shopType": 10,
    "shopName": "居民楼火锅",
    "branchName": "万松园店",
    "address": "万松小区",
    "phoneNo": "17771857933",
    "phoneNo2": "18871569657"
}

• LLM整合回复。LLM根据这些数据记录，生成最合适的答案，输出给用户，例如“按您的要求，我找到了居民楼火锅店，位于万松小区，电话是17771857933或18871569657，是一家重庆火锅店，人均消费50元，适合3个人用餐。”

这就是基于结构化数据RAG的基本流程，它的优势和特点有以下几点：

• 「准确」。基于结构化数据RAG避免了数据向量化和语义搜索的问题，直接利用原始数据和LLM的交互，提高了RAG的准确率。因为结构化数据的特征和属性都是明确的，可以用有限的标签集进行描述，可以用标准的查询语言进行检索，因此不会出现信息损失或语义不匹配的情况。而且，LLM只需要根据用户的问题，提取出核心的信息和条件，并形成标准的查询语句，而不需要理解整个文档的语义，因此也减少了LLM的幻觉的可能性。
• 「高效」。基于结构化数据RAG提高了RAG的效率，因为它省去了数据向量化和语义搜索的过程，直接使用标准查询和原始数据进行回复。数据向量化和语义搜索的过程是非常耗时和资源密集的，因为它们需要对海量的文本数据进行处理和计算，而且还需要存储和更新大量的向量数据。而结构化数据RAG只需要对结构化数据进行标准查询，这是一个非常快速和简单的过程，而且结构化数据的存储和更新也比向量数据更容易和更节省空间。
• 「灵活」。基于结构化数据RAG提高了RAG的灵活性，因为它可以适应不同的数据源和查询需求，只要数据是结构化的，就可以用这种方法进行RAG。结构化数据是一种非常通用和广泛的数据格式，它可以表示各种各样的信息和知识，例如表格、数据库、XML等。而且，结构化数据的查询语言也是非常标准和通用的，例如SQL、SPARQL等。因此，结构化数据RAG的方法可以应用于不同的领域和场景，只要将用户的问题转化为相应的查询语言，就可以实现RAG。
• 「易扩展」。基于结构化数据RAG提高了RAG的易扩展性，因为它可以方便地增加或修改数据和查询，而不需要重新进行数据向量化和语义搜索。数据向量化和语义搜索的过程是非常固定和封闭的，一旦数据或查询发生变化，就需要重新进行数据向量化和语义搜索，这是一个非常耗时和复杂的过程，而且可能会影响已有的数据和查询的结果。而结构化数据RAG只需要对结构化数据进行增加或修改，就可以实现数据的更新，而且不会影响其他数据的查询。而且，结构化数据RAG也可以方便地增加或修改查询，只要修改查询语句，就可以实现查询的更新，而且不会影响其他查询的结果。

基于结构化数据来RAG实战

为了更好地展示结构化数据来RAG的方法的实际效果，我们以餐饮生活助手为例，给出用户提问和回复的示例，以及餐饮生活助手RAG的代码实战。

餐饮生活助手是一个基于结构化数据RAG的方法的应用，它的目的是根据用户的需求，从一个大规模的餐饮数据集中检索出最合适的餐厅，并提供相关的信息和服务。餐饮数据集是一个结构化的数据集，它包含了各种各样的餐厅的信息，例如名称、类型、地址、电话、价格、评分、评论等。餐饮生活助手的核心是一个LLM，它能够根据用户的问题，提取出核心的信息和条件，并形成标准的查询语句，然后用这个查询语句去检索餐饮数据集，得到相关的数据记录，再根据这些数据记录，生成最合适的答案，输出给用户。

为了实现餐饮生活助手RAG的Langchain代码实战，我们需要完成以下几个步骤：

• 定义餐饮数据源。我们需要将餐饮数据集转化为Langchain可以识别和操作的数据源，例如数据库、文件、API等，注册到Langchain中，并提供统一的接口和方法，让LLM的代理可以方便地访问和查询数据源。例如，我们可以将餐饮数据封装为一个API后，并结构化描述该接口的调用方式，并通过以下的代码，将其注册到Langchain中：

from langchain.chains.openai_functions.openapi import get_openapi_chain

fucntion_call_template = '{"openapi":"3.0.1","info":{"version":"v1","title":"Restaurant Query API"},"servers":[{"url":"https://www.example.com"}],"paths":{"/restaurant":{"post":{"tags":["restaurant-query"],"summary":"Query restaurants","operationId":"queryRestaurants","requestBody":{"content":{"application/json":{"schema":{"$ref":"#/components/schemas/QueryRequest"}}}},"responses":{"200":{"description":"Query results","content":{"application/json":{"schema":{"$ref":"#/components/schemas/QueryResponse"}}}}}}}},"components":{"schemas":{"QueryRequest":{"type":"object","properties":{"numOfPeople":{"type":"integer","description":"Number of people dining"},"avgOfAmount":{"type":"integer","description":"Average spending amount per person"},"type":{"type":"string","description":"Cuisine type"}}},"QueryResponse":{"type":"object","properties":{"shopType":{"type":"integer","description":"Restaurant type code"},"shopName":{"type":"string","description":"Restaurant name"},"branchName":{"type":"string","description":"Branch name"},"address":{"type":"string","description":"Address"},"phoneNo":{"type":"string","description":"Phone number"},"phoneNo2":{"type":"string","description":"Secondary phone number"}}}}}}'

chain = get_openapi_chain(
    spec = fucntion_call_template
)

• 定义LLM的代理。我们需要定义一个LLM的代理，它可以根据用户的问题，提取出核心的信息和条件，并形成标准的查询语句，然后用这个查询语句去检索餐饮数据源，得到相关的数据记录，再根据这些数据记录，生成最合适的答案，输出给用户。这可以通过Langchain的代理（Agent）来实现。代理管理器可以让开发者通过简单的编程，定义不同的LLM的代理，以及它们的功能和逻辑，并提供统一的接口和方法，让用户可以方便地与LLM的代理进行交互。

# 通过Langchain内置的openapi-function call来实现复杂逻辑内置在函数内了
chain("我们3个人想找个人均50左右的重庆火锅店")

• 运行LLM的代理。我们需要运行LLM的代理，让用户可以与之进行交互，将LLM的代理部署到不同的平台和渠道，例如Web、微信、Telegram等，并提供统一的接口和方法，让用户可以方便地与LLM的代理进行交互。

餐饮生活助手

本文直接通过Langchain内置的openapi-function call来实现，代码仅作为演示，实际业务情况可能得结合代码内置业务流程来实现。比如通过function call解析用户问题之前还需要判断用户的问题是否与餐厅咨询相关，当解析到的查询维度太少时，需要引导式提问等等。

总结和展望

随着chatbot的流行，基于向量化的RAG模型似乎已然形成了RAG的标准模式。本文试图跳出向量化的RAG模型的模式束缚，从RAG的基础定义出发提出不用向量也可以RAG的想法。通过结构化数据和LLM的交互，这并非一种新颖的RAG模式，但在现阶段，却是让chatbot达到可落地目标的最优手段。

本文转载自 ​​AI小智​​，作者： AI小智