大模型架构记录4-文档切分 (chunks构建)

chunks： 块

trunks : 树干

“RAG”通常指 检索增强生成（Retrieval-Augmented Generation）

主要框架：用户提query，找到和它相关的，先把问题转换为向量，和向量数据库的数据做比较，检索相似的向量，返回 对应向量的原始文本，构建prompt，给模型回答问题。

一 文档交互

1.1 生成和检索的区别

“RAG”通常指 检索增强生成（Retrieval-Augmented Generation）

二 金融智能客服系统

2.1 传统架构 （通过检索的方式）

1 提前设计FAQ库（业务人员整理）

<q, a> <q, a><q, a>

2 用户提问，和FAQ 问题做比较，看哪个问题相近，就使用这个答案

3 好处，结果可控。

2.2 传统问答方式2 （使用生成的方式）

1 提前设计FAQ库（业务人员整理）

<q, a> <q, a><q, a>

2 训练一个模型，问题做输入，答案做输出，训练模型 

3 使用模型，将问题作为模型的输入，使用模型的输出作为结果。

4 结果不可控，准确率比较低。

传统方式通常使用方式一 

2.3 检索 + 生成

大模型 问答系统 2.0

1 不用维护知识库，从文档抽出来关键问题

2 直接把原始的知识库就行，【doc, PDF, EXCEL, TXT 】都可以做知识库

3 用户提问，先做检索把相关文档提取出来，答案可能在文档里面

4 构建prompt，检索结果放在prompt 【上下文】, query【Input】 也放在prompt 里面，还要历史聊天记录 【上下文】，统一放入模型做输入得到一个response. 

三 基于大模型技术的Agent 框架搭建

1 技术栈 

项目架构梳理

1 用户提出 query（string）

2 构造知识库，企业知识【txt, pdf, html, doc, excel, ppt】 做转换

2.1 把文章做trunk【树干】，不能把整个文章放到prompt, 拆分章节，把适合的章节放进去就行。

文档 拆分-> Trunk ，放入【知识库】，需要做一定的数据清洗，特殊符号清洗啥的

2.2 把数据转换为向量，用于和query 比较。

3 用户提 query ， 在知识库找出对应的Trunk，一起放入prompt中，【基于如下的上下文回复用户的上下文】，然后进模型，然后回复。

2 向量数据库的搭建

1 trunk 和query 比较，比较两个string 做比较，把string 转换为向量。

用户提query，找到和它相关的，先把问题转换为向量，和向量数据库的数据做比较，检索相似的向量，返回 对应向量的原始文本，构建prompt。

prompt {instructing， context，inputs} -> model = response 

2 相似度怎么计算？ 

（vec1， vec2） -> 相似度

向量数据库，解决搜索效率的问题。

难点：

1 怎么比较query 和 trunk 的向量？

2 怎么做文档切割？

3 怎么转换为向量数据？ 

3 怎么解决 hallucination（乱说）

4 拆分文本

1 最好按段落进行区分

2 fixed + 语义做分割【递归方法，来自 langchain】

后面的方法需要跑机器学习模型，比较慢，常见使用第一和第二种，直接拆分句子和字符数。

4.1 split  by sentence

每个块都是完整的一句话。

4.2 fixed length chunks 

4.3 chunks with overlapping window

4.4 recursiveCharacterTextSplitter from langchain

fixed + 语义做分割

5 拆分中文

四 文本向量化

4.1 opai embedding (向量化模型)

 

4.2 相似度计算

4.3 向量数据库 qdrant

# 注意镜像全称为 qdrant/qdrant
docker pull qdrant/qdrant

# 完整命令（Windows/Linux通用）
docker run -d \
  -p 6333:6333 \          # HTTP API端口
  -p 6334:6334 \          # gRPC端口（可选但推荐）
  -v D:/qdrant_data:/qdrant/storage \  # 数据持久化路径
  qdrant/qdrant