RAG的一些有趣话题：攻克切片环节中的难题

今日AI资讯

通义听悟升级，超长音视频自由问
多位专家签署《北京AI安全国际共识》
百川智能、北大成立“通用AI联合实验室”
实在Agent智能体公测招募
Stability AI推出3D视频生成模型
英伟达：发布AI旗舰芯片Blackwell GPU
OpenAI CEO：GPT-5能力提升将超乎想象

今天主要针对Langchain的文档切分中4个难点进行展开

文本切片

Langchain的文档切分存在哪些难点问题？

切片策略：固定长度分割文本，且分割窗口之间留一定重叠比例，以避免损失上下文语义信息。虽然简单便捷，但缺点也很明显。比如以下文本结构：

如果分片长度设置得太小，会导致一级标题下的段落二、三失去了与一级标题相关的重要信息。文档问答过程中，“系统主要的内容构成是什么?”，可能RAG只会检索到组件1，因为组件2和3由于分片长度的限制未能归入同一文本块内。然而，增加文本分片的长度又会增加LLM带来的冗余噪声信息，从而影响模型的回答准确性，尤其是对于一些开源LLM，其对上下文长度的支持和语义理解相对较弱。

使用RAG+LLM进行知识问答时，当知识内容较多时检索成本高，需要遍历所有文本块。
使用关键字提问时，RAG可能检索不到相关文本，需要补全问题描述。
如何将多模态知识（如包含图表的pdf、ppt等）加入知识库并进行知识问答?

那么如何做好文本切片？

答案：语义切分。语义切分方法主要包括以下两种：

篇章分析：利用自然语言处理的篇章分析工具（discourse parsing），提取段落间的主从关系，并将所有相关段落合并成一段，确保每个文本分块都在表达相同的事情。
BERT判断段落相似度：除了 discourse parsing 的工具外，BERT-base-Chinese模型在预训练中采用了NSP（next sentence prediction）任务，因此可以完全判断两个句子（段落）是否具有语义上的衔接关系。可以设置相似度阈值，依次判断相邻两个段落的相似度分数是否大于阈值，若大于则合并，否则断开，本质上就是段落分割。推荐：阿里的SeqModel模型，可直接用modelscope调用。

切片后，会存在难点1:大块切片的噪声问题和难点2:检索成本高的问题，解决方案如下：

利用层次检索或树形检索的方式，对应方式如下图所示：

篇章分析获取的文本块具有层次依存关系，检索时可以按照上至下的顺序进行，并配合剪枝策略。对于BERT段落相似判断，由于没有依存关系，需要使用LLM进行总结和摘要。2024年斯坦福大学提出的RAPTOR方法，是对固定长度分割后的文本块进行语义聚类，然后使用LLM总结摘要，生成摘要embedding作为树的节点。

在这三种层次结构中，由于语义切分后的文本块可能很长，所以采用固定长度分割可以避免引入冗余文本。如果检索成本不是问题（例如并行检索），那么可以将层次结构压平后进行检索。

难点(3)：关键字提问，RAG检索不到相关文本，往往需要补全问题信息。

对此公开资料有一些解决方案：

引入追问机制：在Prompt中加入"如果无法从背景知识回答用户的问题，则根据背景知识内容，对用户进行追问，问题限制在3个以内"。这个机制主要依靠大模型的能力。不过可以改善了问答体验，用户在多轮引导中逐步明确了自己的问题，一般都能得到合适的答案。如果多轮引导后还是回答不出来，兜底：结合猜你所想给出已知的高频QA推荐。
关键词抽取：利用NLP技术（句法分析、NER、依存分析、语义角色标注、关键词提取等）抽取关键信息，将其加入到层次检索的顶部。先检索关键信息，再检索相应内容。缺点是如果用户提问的信息未被提前抽取，就无法检索到。
RAG-Fusion：使用LLM优化用户查询，改写输入查询，并丰富召回结果。将召回内容通过倒排融合（Reciprocal rank fusion, RRF）得到统一得分，然后重排取 TOP k 检索结果。RAG-Fusion的缺点是耗时，因为需要多次提问。

混合搜索：这是一种值得尝试的低成本高收益方案，将字面相似的传统搜索算法（Best Matching 25, BM25）与向量相似性检索相结合，实现混合搜索。可以采用加权融合分数、取各自top k检索后并集或 RRF+Rerank等方法。

难点4：如何将多模态知识（如包含图表的pdf、ppt等）加入知识库并进行知识问答?

答案：多模态模型，通过prompt技术提取文档中图片的关键信息，形成摘要描述作为图片索引。缺点是多模态模型对图片描述的细致程度可能影响索引的质量。实际上可以将图片、表格、ppt都视为图片，使用多模态模型和OCR模型分别抽取摘要描述和源数据中的数据和文本要素，整理后作为源数据的知识分片。

期待

今天我们主要针对RAG中文本切片的难点进行了一一解答，后面我会从文本版式解析展开说一下相关关键技术。

引用

基于LLM+向量库的文档对话痛点及解决方案：https://zhuanlan.zhihu.com/p/651179780
斯坦福 | 提出PDFTriage，解决结构化文档的问题，提升「文档问答」准确率：https://zhuanlan.zhihu.com/p/657316158
pdf解析关键问题：https://zhuanlan.zhihu.com/p/652975673

关于我

欢迎关注，一起进步一起成长