前期回顾

学完第6章的基础 RAG 后你可NengYi经在实际项目中遇到了这些问题：

本文通过实际测试Qwen2.5-VL多模态语义评估引擎,深入探讨如何提升RAG检索系统的精准度.Qwen2.5-VL采用先进的语义理解技术来评估查询与文档之间的相关性:.文章包含完整的测试案例、代码实现和效果对比,帮助读者理解如何将多模态语义评估集成到现有RAG系统中,显著提升检索结果的相关性和实用性。

为什么这样有效？

LLMChainFilter对每个文档Zuo Yes/No 判断，过滤掉整体不相关的文档。优点是快速低成本，缺点是粒度粗。

LLMChainExtractor从文档中抽取相关段落，去掉无关部分。优点是保留原文措辞，缺点是 LLM 调用成本较高。

import os # 读取环境变量 import re # 正则表达式，用于解析查询列表 from langchain_core.documents import Document # 文档数据结构 from langchain_core.output_parsers import BaseOutputParser, StrOutputParser from langchain_core.prompts import PromptTemplate, ChatPromptTemplate from langchain_openai import ChatOpenAI # LLM from langchain_milvus import Milvus # 向量数据库 from langchain_openai import OpenAIEmbeddings # 嵌入模型 from dotenv import load_dotenv # ★ Yi移除未使用的 `from typing import Union` load_dotenv # ── 初始化 LLM 和 Embeddings ────────────────────────────────── llm = ChatOpenAI( model="qwen-plus", base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", api_key=os.getenv, temperature=0.2, # 查询 允许少量创意性 ) embeddings = OpenAIEmbeddings( model="text-embedding-v3", # 百炼的文本嵌入模型 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", api_key=os.getenv, ) # ── 构建知识库 ───────────────────────────────────────────────── documents = # Milvus.from_documents：从文档列表创建向量数据库 vectorstore = Milvus.from_documents( documents=documents, embedding=embeddings, connection_args={"uri": "./milvus_ch12_01.db"}, drop_old=True, ) # ── 自定义输出解析器：将多行文本解析为字符串列表 ────────────── class LineListOutputParser: def parse -> list: lines = text.strip.split # 按换行拆分 result = for line in lines: line = line.strip # 去除首尾空格 if not line: continue # 跳过空行 line = re.sub]\s*", "", line) line = re.sub if line: # 确保去前缀后不为空 result.append return result # ── Multi-Query 检索核心函数 ────────────────────────────────── def multi_query_retrieve( vectorstore: Milvus, llm: ChatOpenAI, original_question: str, n_queries: int = 4, # 查询的数量 ) -> list: rewrite_prompt = PromptTemplate.from_template( "你是 AI 问题 专家。将用户问题 成 {n} 个不同角度的版本，" "以提升向量检索的召回率。 " "原始问题：{question} " "生成 {n} 个 版本，每行一个，直接输出查询内容，不要编号：" ) rewrite_chain = rewrite_prompt | llm | LineListOutputParser generated_queries = rewrite_chain.invoke({ "n": n_queries, "question": original_question, }) all_queries = + generated_queries question = "Python 程序跑得太慢了有什么方法Ke以提速？" answer = multi_query_rag print 完整实现

import os # 读取环境变量 import re # 正则表达式，用于解析查询列表 from langchain_core.documents import Document # 文档数据结构 from langchain_core.output_parsers import BaseOutputParser, StrOutputParser from langchain_core.prompts import PromptTemplate, ChatPromptTemplate from langchain_openai import ChatOpenAI # LLM from langchain_milvus import Milvus # 向量数据库 from langchain_openai import OpenAIEmbeddings # 嵌入模型 from dotenv import load_dotenv # ★ Yi移除未使用的 `from typing import Union` load_dotenv # ── 初始化 LLM 和 Embeddings ────────────────────────────────── llm = ChatOpenAI( model="qwen-plus", base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", api_key=os.getenv, temperature=0.2, # 查询 允许少量创意性 ) embeddings = OpenAIEmbeddings( model="text-embedding-v3", # 百炼的文本嵌入模型 ) 四、方案二：Contextual Compression

HyDE不直接用问题的向量去检索，而是先让 LLM 生成一段"假设性答案"，再用假设答案的向量去检索知识库。

本章目标深入理解基础 RAG 的三大核心缺陷，掌握 Multi-Query、Contextual Compression、HyDE三种高级检索策略，并Neng根据场景选择合适方案。

import os from langchain.retrievers.document_compressors import LLMChainExtractor vectorstore = Milvus.from_documents( ) 为什么百度不收录我的网站？

哈哈，这个问题咱经常遇到！你懂的，原因可Neng有hen多，比如网站结构不友好、内容质量不高啥的。

说实话，SEO 得好好弄，不然就没流量了。害，要是Neng有个秘籍啥的就好了。

"为什么百度不收录？"这个问题啊，正常，hen多人dou遇到过。

检查robots.txt，确保没误拦蜘蛛； 再kankan页面是否被索引，Ke以site指令试试； 还有内容质量、链接啥的，也得注意下。 咱就是说多检查检查，总Neng找到原因。

问题： "那个让大模型跟人说话风格一样的技术是什么原理？" 问题向量： 知识库文档："RLHF通过人工评分来对齐模型输出……" 文档向量：

HyDE 假设答案："基于人类反馈的强化学习是实现对话风格对齐的关键技术， 通过收集人类对不同回答的偏好评分，训练奖励模型……" 假设答案向量： → HyDE 检索：假设答案向量与文档向量高度相似，成功找到！

掌握了高级 RAG 策略，下一章我们进入生产部署的核心话题。

初步检索结果需通过重排序提升精准度.

然而,要实现高性Neng的RAG系统,需在检索与生成之间找到平衡点,并通过重排序、多轮对话状态跟踪等技术.

优势:query-to-query检索.

属于对称域内训练.

比基于Q-A pair.

跨域 相似.

geng直观.

效果.

优势:.

准确性.

适合.

技术.

规格、容量边界类.

总之.

要实现高性NengRAG系统,需要在多个方面进行优化,包括但不限于:

query-to-query .

重排序

多轮对话状态跟踪

这些dou是为了geng好地服务用户,你懂的！

说实话，这些优化手段还是挺复杂的，但只要用对了地方，就Neng显著提升用户体验。

哈，这样一搞，用户体验不就上来了吗？