构建生产级RAG系统注意事项

构建生产级 RAG（检索增强生成）AI 系统是一个艰难的任务。

👇是 RAG 系统中的一些关键组件，你需要对它们进行管理和持续优化，以实现预期的效果（不要错过最后的 H 部分）：

检索（Retrieval）

F) 数据切分（Chunking） – 如何对用于外部上下文的数据进行切分？

• 小块 vs. 大块。
• 滑动窗口（sliding window）或滚动窗口（tumbling window）进行切分。
• 在搜索时是检索父级或关联块，还是仅使用原始检索数据？

C) 选择嵌入模型（Choosing the embedding model）

• 用于将数据嵌入和查询外部上下文的模型选择。
• 考虑上下文化嵌入（Contextual embeddings）。

D) 向量数据库（Vector Database）

• 选择哪种数据库。
• 部署位置。
• 需要存储哪些元数据以便与嵌入向量关联。
• 索引策略。

E) 向量搜索（Vector Search）

• 相似度度量的选择。
• 查询路径的选择：先基于元数据还是先使用 ANN（近似最近邻）搜索？
• 采用混合搜索（Hybrid Search）。

G) 规则与启发式（Heuristics） – 在检索过程中应用的业务规则。

• 时间权重（Time importance）。
• 重新排序（Reranking）。
• 处理重复上下文（多样性排序）。
• 来源检索（Source retrieval）。
• 条件性文档预处理。

生成（Generation）

A) LLM 选择（Choosing the right Large Language Model）

✅ 随着 LLM 的发展，这个问题变得越来越简单。当前，开源和专有 LLM 的性能正在趋同，主要的选择在于：

• 使用专有模型（Proprietary model）。
• 自行托管（Self-hosting）。

B) Prompt 设计（Prompt Engineering）

即使有了外部上下文，仍然需要精心设计 Prompt：

• 使系统生成符合预期的输出。
• 预防越狱（Jailbreak）场景。

别忘了一个容易被忽略的部分

H) 观察、评估、监控和安全性（Observing, Evaluating, Monitoring and Securing）

确保生产环境下的应用运行稳定、安全，并能持续优化！

👉 你认为还有哪些关键组件没有提到？欢迎在评论区讨论！👇