在数字化时代，人工智能（AI）的每一次技术革新都可能引领行业的变革。CRAG（Chain of Thought Retrieval-Augmented Generation）技术，作为AI领域的新星，以其独特的检索增强型能力，为自然语言处理（NLP）带来了前所未有的深度和精准度。
本文将带您深入了解CRAG的创新之处，以及它如何推动AI技术的边界。一、传统RAG的局限与CRAG的创新
RAG技术通过结合检索与生成，极大地提升了语言模型在理解和生成自然语言方面的能力。然而，随着技术的发展，其在文档与查询相关性评估上的不足逐渐暴露。CRAG技术的提出，正是为了解决这些问题，通过引入检索评估器，实现了对检索文档与查询相关性的精确评估，从而显著提升了模型的性能。我会给你一个小型场景，假设我们正在参加一个开卷考试。我们遵循的策略，比如说对于每个主题，我们查阅书籍并确定相关部分。在形成观点之前，将收集到的信息分为三组：正确，错误和模糊。分别处理每种类型的信息。然后，根据这些处理过的信息，进行编译和总结。在考试试卷上写下我们的答复。这就是CRAG所做的。
二、CRAG的关键思想流程
CRAG的三个关键组成部分：检索评估器，知识提炼算法和知识搜索CRAG推理概述：构建了一个检索评估器来评估检索到的文档与输入的相关性，并根据此估计一个置信度，基于此可以触发不同的知识检索操作{正确，错误，模糊}。- 如果是**
正确**，这意味着检索到的文档包含了查询所需的必要内容，然后使用知识提炼算法重写检索到的文档。 - 如果检索到的文档是**
错误**的，这意味着查询和检索到的文档是不相关的。因此，我们不能将文档发送给LLM。在CRAG中，使用网页搜索引擎检索外部知识。 - 对于**
模糊**的情况，这意味着检索到的文档可能接近但不足以提供答案。在这种情况下，需要通过网页搜索获取额外的信息。因此，既使用知识提炼算法也使用搜索引擎。
CRAG的工作流程是对传统RAG方法的一次系统性优化。它通过以下步骤，确保了信息的准确性和深度。检索评估器
检索评估器显著影响后续程序的结果，对确定整个系统的性能至关重要。CRAG利用T5-large模型作为检索评估器，对检索到的文档进行细致的相关性评分。这一过程类似于学术研究中的文献筛选，确保只有最相关的信息被用于后续的知识提炼。知识提炼算法
对于检索到的相关文档，CRAG设计了一种分解然后重新组合的知识提取方法，以进一步提取最关键的知识陈述。CRAG进一步通过启发式规则，将文档拆解为细粒度的知识单元，并筛选出最具相关性的知识点重新组合，以形成内部知识。这一过程不仅提高了信息的利用效率，也加深了模型对知识的理解。知识搜索
在检索到的文档不足以回答问题时，CRAG通过网页搜索API获取额外信息，确保生成的答案全面且准确。所以，我们不是使用错误的块，而是使用互联网上的来源进行最终答案生成。这一机制体现了CRAG技术的灵活性和适应性。下面我们通过LangGraph来实现CRAG检索增强
三、LangGraph
LangGraph作为CRAG实现的框架，提供了一个直观且强大的图结构，优化了状态管理和节点间的协同。这一框架不仅简化了CRAG模型的构建过程，也为未来的扩展和优化提供了可能。
四、实践案例分析
为了更好地理解CRAG技术，本文通过具体的代码示例和操作步骤，展示了CRAG模型的搭建过程：- 作为第一次尝试，让我们跳过知识提炼阶段。如果需要，可以将其作为节点添加回来。
- 这里我们将使用Tavily Search进行网页搜索。
流程图如下：
环境配置：
! pip install langchain_community tiktoken langchain-openai langchainhub chromadb langchain langgraph tavily-python
总结与展望：
CRAG技术以其创新的检索评估机制和深度知识提炼，不仅提升了语言模型的准确性，也为AI领域的发展开辟了新的道路。随着技术的不断演进，CRAG有望在未来解决更多复杂问题，推动人工智能向更深层次发展。
粤ICP备14082021号
免费POC，
零成本试错
