这是一个创建于 330 天前的主题，其中的信息可能已经有所发展或是发生改变。
devv.ai 是一款面向开发者的 AI 搜索引擎，目的是为了替代开发者日常使用 Google / StackOverflow / 文档搜索的场景，帮助开发者提升效率。
这篇文章分享一下 devv.ai 底层实现整个 RAG 系统的一些经验。
原贴： https://x.com/Tisoga/status/1731478506465636749?s=20
RAG 的全称是：Retrieval Augmented Generation （检索增强生成）
最初来源于 2020 年 Facebook 的一篇论文：Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks （是的，你没有看错，2020 年就有这项技术了）。
这篇论文要解决的一个问题非常简单：如何让语言模型使用外部知识（ external knowledge ）进行生成。
通常，pre-train 模型的知识存储在参数中，这就导致了模型不知道训练集之外的知识（例如搜索数据、行业的 knowledge ）。
之前的做法是有新的知识就再重新在 pre-train 的模型上 finetune 。
这样的方式会有几个问题：
- 每次有新的知识后都需要进行 finetune
- 训练模型的成本是很高的
于是这篇论文提出了 RAG 的方法，pre-train 的模型是能够理解新的知识的，那么我们直接把要让模型理解的新知识通过 prompt 的方式给它即可。
所以一个最小的 RAG 系统就是由 3 个部分组成的：
- 语言模型
- 模型所需要的外部知识集合（以 vector 的形式存储）
- 当前场景下需要的外部知识
langchain, llama-index 本质上就是做的这套 RAG 系统（当然还包括构建在 RAG 上的 agent ）。
如果理解了本质，其实是没有必要再额外增加一层抽象的，根据自己的业务情况来搭建这套系统即可。
例如，我们为了保持高性能，采用了 Go + Rust 的架构，能够支持高并发的 RAG 请求。
把问题简化，不管是搭建什么样的 RAG ，优化这套系统就是分别优化这 3 个模块。
1 ）语言模型
为什么 2020 年的这篇论文直到今年才火起来？一个主要的原因就是之前的基座模型能力不够。
如果底层模型很笨，那么即使给到了 丰富的外部知识，模型也不能基于这些知识进行推演。
从论文的一些 benchmark 上也可以看出效果有提升，但是并没有特别显著。
1.1 ） GPT-3 的出现第一次让 RAG 变得可用
第一波基于 RAG + GPT-3 的公司都获得了非常高的估值 & ARR （年经常性收入）：
- Copy AI
- Jasper
这两个都是构建营销领域 RAG 的产品，曾经一度成为明星 AI 独角兽，当然现在祛魅之后估值也大幅度缩水。
1.2 ） 2023 年以来，出现了大量的开源 & 闭源的基座模型，基本上都能够在上面构建 RAG 系统
最常见的方式就是：
- GPT-3.5/4 + RAG （闭源方案）
- Llama 2 / Mistral + RAG （开源方案）
2 ）模型所需要的外部知识集合
现在应该大家都了解了 embedding 模型了，包括 embedding 数据的召回。
embedding 本质上就是把数据转化为向量，然后通过余弦相似度来找到最匹配的两个或多个向量。
knowledge -> chunks -> vector user query -> vector
2.1 ）这个模块分成两个部分：
- embedding 模型
- 存储 embedding vector 的数据库
前者基本上都使用 OpenAI 的 embedding 模型，后者可选方案非常多，包括 Pinecone ，国内团队的 Zilliz ，开源的 Chroma ，在关系型数据库上构建的 pgvector 等。
2.2 ）这些做 embedding 数据库的公司也在这一波 AI Hype 中获得了非常高的融资额和估值。
但是从第一性原理思考，模块 2 个目的是为了存储外部的知识集合，并在需要的时候进行召回。
这一步并不一定需要 embedding 模型，传统的搜索匹配在某些场景下可能效果更好（ Elasticsearch ）。
2.3 ） https://devv.ai 采用的方式是 embedding + 传统的 relation db + Elasticsearch 。
并在每个场景下都做了很多优化，一个思路是在 encoding knowledge 的时候做的工作越多，在 retrieve 的时候就能够更快 & 更准确（先做工 & 后做工的区别）。
2.4 ）我们使用 Rust 构建了整套 knowledge index
包括：
- GitHub 代码数据
- 开发文档数据
- 搜索引擎数据
3 ）更好地召回当前场景下需要的外部知识
根据优先做工的法则，我们在 encoding 的时候对于原始的 knowledge 数据做了很多处理：
- 对代码进行程序分析
- 对开发文档进行逻辑级别的 chunk 分块
- 对网页信息的提取 & page ranking 优化
3.1 ）做完了上面的工作之后保证了我们在 retrieve 的时候获取到的数据本身就是结构化的了，不需要做太多的处理，而且可以提升召回的准确率。
现在再来看 a16z 的这张图，就是在每个步骤上扩展出了对应的组件，核心本质并没有变。
https://a16z.com/emerging-architectures-for-llm-applications/
2022 年基于这套 RAG system 做的搜索引擎 Perplexity 每个月已经拥有了几千万的流量，LangChain 也获得了几亿美金的估值。
不管是通用的 RAG ，还是专有的 RAG ，这是一个做得马马虎虎很容易的领域，但是要做到 90 分很难。
每一步骤都没有最佳实践，例如 embedding chunk size ，是否需要接搜索引擎，都需要根据实际的业务场景来多试。
相关的论文非常多，但是并不是每篇论文里面提到的方法都是有用的。
今天只是简单对 https://devv.ai 底层的一些使用到的技术做了一个 high level 的科普，没有太深入技术细节，目的是希望想要进入这一行的开发者们也能够从第一性原理来思考，对技术祛魅。
下一阶段会每周会发一篇 LLM 相关的技术分享推文，今天在写这个 thread 的时候大量使用了 https://devv.ai 来查询相关的资料，非常有帮助。
 |
1
littlewey 330 天前 via iPhone
感谢分享，虽然 twitter thread 已经点赞过了。
devv 也是我的一个 goto 开发工具🫡 |
 |
2
37Y37 330 天前  1
这个项目是大佬的吗？做的很棒啊，我一直在用，很好用
|
 |
3
kidult 330 天前
感谢大佬分享，Devv 很好用
|
 |
4
enchilada2020 330 天前 via Android
在用 感谢
|
 |
5
Kuari 330 天前
大佬牛逼！真的好用！
|
 |
6
wagg 330 天前
大佬牛逼，非常好用的产品，在公司内还推广过一波
|
 |
7
cheava 330 天前
666 ，刚刚试用了确实不错，现在用的基座是 gpt3.5 还是开源 llm ？
|
 |
8
xyzxiaoking 329 天前
使用之后感觉非常好用，属于最近使用的工具里面相当亮眼的一种，想问一下后续是计划如何收费呢
|
 |
9
forrestchang OP @xyzxiaoking 商业化估计还要过段时间，最近还在快速迭代产品 & 收集用户反馈，如果觉得好用，欢迎推荐给身边的同事和朋友。有任何问题也欢迎反馈，我们会第一时间处理。
反馈和建议可以提交到这个 repo 中： https://github.com/devv-ai/devv/issues |
 |
10
Carson089 329 天前
牛逼。感觉产品的优势在于，用户是在联网的环境下使用是，而联网的话就可以使用 gpt4 墙大模型
|
 |
11
JUNXIONGXX 325 天前
是否能透露下后端架构是怎么样的，大概什么量级？
|
 |
12
stonelee800 255 天前
很牛的产品，用户体验很棒
|
Select Language