引言

T-RAG方法基于将检索增强生成（Retrieval-Augmented Generation，简称RAG）架构与开源经过微调的大型语言模型（Large Language Model，简称LLM）以及实体树向量数据库相结合。这种方法的重点在于上下文检索。

具体来说，T-RAG系统:

• 首先利用RAG架构进行信息检索，这一架构通过结合检索到的文档片段和生成的文本来生成响应。
• 通过在开源的LLM上进行微调，使得模型能够更好地理解和适应特定组织的需求和术语。

此外，T-RAG还包括了一个实体树向量数据库，这个数据库存储了组织内部实体的详细信息及其层级结构。在处理用户查询时，系统不仅会搜索相关的文档片段，还会检测查询中提到的任何组织相关实体，并将这些实体的详细信息整合到生成的上下文中。

本文分享了在私有文件上部署问答系统的LLM应用的经验，使用了一种名为Tree-RAG（T-RAG）的系统，该系统结合了实体层次结构以提高性能。

亮点

在论文中，研究人员开发了一个应用，该应用将检索增强生成（RAG）与微调后的开源大型语言模型（LLM）结合在一起，用于生成响应。这个模型是使用指令数据集进行训练的。

他们引入了一个新颖的评估指标，称为Correct-Verbose，旨在评估生成响应的质量。这个指标根据其正确性评估响应，同时考虑包含超出原始问题范围的额外相关信息。

T-RAG

以下是Tree-RAG（T-RAG）的工作流程：

对于给定的用户查询，搜索向量数据库以寻找相关的文档片段，这些片段作为LLM在上下文学习中的参考知识。

如果查询提到了有组织性的实体，那么将从实体树中提取关于这些实体的信息，并添加到上下文中。

最终使用微调的Llama-2 7B模型根据输入的数据生成响应。

T-RAG的一个特点是除了向量数据库用于上下文检索之外，还包括了一个实体树。

实体树

T-RAG的一个显著特点是其结合了实体树和向量数据库来进行上下文检索。实体树存储了组织性的实体及其层级安排的详细信息。

这里所说的组织性是指：很多时候，一些概念本身是有组织的，比如一家公司的各个部门，会有一些层级关系。树中的每个节点代表一个实体，父节点表示其所属的一个更广义的实体，比如一个小组的父节点是其所属的部门。

在检索过程中，框架利用实体树来增强从向量数据库检索到的上下文。

实体树搜索和上下文生成的详细过程如下：

1. 一个解析模块扫描用户查询，寻找与组织内实体名称相对应的关键词。
2. 一旦识别出一个或多个匹配项，就从树中提取每个匹配实体的详细信息。
3. 这些细节被转换成文本陈述，提供有关实体及其在组织层级中位置的信息。
4. 随后，这些信息与从向量数据库检索到的文档片段合并，构建上下文。
5. 由此，当用户询问有关实体时，模型可以获得有关实体及其在组织层级中的定位的相关信息。

例子

如下图所示：

这里使用了一个组织结构树，来展示如何执行树搜索和检索。

除了获取上下文文档外，还使用spaCy库和自定义规则来识别组织内的命名实体。

如果查询包含一个或多个这样的实体，将从树中提取有关实体层级位置的相关信息，并将其转换为文本陈述。然后，这些陈述被整合到上下文中，与检索到的文档一起使用。

然而，如果用户的查询没有提到任何实体，那么将省略树搜索过程，只使用从检索到的文档中获取的上下文以加速响应。

总结

这项研究结合了检索增强生成（RAG）和微调技术。同时，使用在本地部署的开源模型来解决数据隐私问题，。

此外，通过spaCy框架使用实体进行实体搜索和上下文生成也很有趣。通过这种方式，T-RAG能够在提供准确和相关响应的同时，保持对上下文的敏感性和对组织内部结构的理解。这种结合检索、生成和实体检测的方法，为构建高效、可靠的问答系统提供了一种有效的解决方案。

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓