我要投稿

CRAG技术：重塑检索增强型语言模型的未来

发布日期：2024-06-29 21:25:56 浏览次数： 2258

作者：顶层架构领域

微信搜一搜，关注“顶层架构领域”

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。

比如：

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}。

有3种可能的判断结果。

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。

最后，处理过的信息被转发到LLM以生成响应。

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。

LangGraph的主要特点包括：

节点：任何函数或Langchain可运行对象，如工具。
边：定义节点之间的方向。
有状态的图：主要类型的图。它旨在在通过节点处理数据时管理和更新状态对象。

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：

流程说明：

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。
首先输入问题，进行检索。如果任何文档不相关。
然后重写问题，我们选择用网页搜索来补充检索。
这里我们将使用Tavily Search进行网页搜索。
最后，通过网页搜索的查询返回，进行生成答案。

流程图如下：

环境配置：

! pip install langchain_community tiktoken langchain-openai langchainhub chromadb langchain langgraph tavily-python

具体代码示例：

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。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-06-14

什么是RAG？一文搞懂检索增强生成技术

2025-06-14

AI开发实战：解决RAG的召回不准问题

2025-06-13

揭开RAG的神秘面纱：90%的人不知道腾讯IMA底层原理

2025-06-13

金融智脑：破解RAG系统在金融场景中常见失败的七大陷阱

2025-06-13

从零开始学 Dify - Dify 的 RAG 系统如何有效地处理和检索大量文档？

2025-06-13

大模型：多种RAG组合优化（langchain实现）

2025-06-12

深入使用 Deep Research 后，我确信 RAG 的未来是 Agent

2025-06-12

从传统 RAG 到知识图谱 + Agent，知识库 AI 问答成功率终于达到 95% 了，来自蚂蚁集团的经验

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

通义QwQ-32B+Milvus，消费级显卡布满血大模型与RAG的时代来了！

2025-03-21

RAG检索增强之Reranker重排序模型详解！

2025-03-20

大模型 RAG 终极指南：信息检索 + 文本向量化 + BGE-M3 实践全解析！

2025-03-24

AISearchPro-AI智能搜索实践

2025-03-17

MCP、RAG、Agent之间的概念和关系，被我和AI协作的12张图总结了

2025-03-24

AI Agent 记忆技术浅析

2025-03-19

一个能给大模型加上“记忆”的工具，让 AI 助手更懂你，Star 26K+！

2025-03-24

Ragflow技术栈分析及二次开发指南

2025-03-28

让模型更懂你的业务！RAG原理和解决方案解析

2025-04-01

RAG 开发实例

2025-03-23

大家都在问

从零开始学 Dify - Dify 的 RAG 系统如何有效地处理和检索大量文档？

2025-06-13

通过 RAG如何扩展提示词Prompting?

2025-06-09

为什么 RAG 一定需要 Rerank？

2025-06-06

RAG和向量数据库之间有什么关系?

2025-05-30

超越基础：Agentic Chunking 如何彻底改变 RAG？

2025-05-29

用Milvus构建RAG系统，N8N VS dify 如何选？

2025-05-29

【RAG】给传统企业搞AI转型，RAG项目最难啃的骨头是啥？

2025-05-23

解锁AI时代的核心通关密码——为什么你必须搞懂RAG、Agent、MCP？

2025-05-16

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB