写在前面

今天这篇文章不是分享某个技术点也不是分享论文，而是笔者抛砖引玉的提出一些垂类下关于RAG 的瓶颈和一些思考，然后广发英雄帖，感兴趣的读者都可以加入进来一起研究（仅限于技术）。

问题描述

先举个例子简单的说明一下我的问题。有三个学生A、B、C同时参加开卷考试

A：在考试前对教材进行了学习和理解，并在考试过程中进行翻书回答

B：考前抖脚，考试时才找来教材，进行翻书回答

C：虽说开卷，但C 感觉凭借自己的知识积累，于是挑战了闭卷

有一个前提条件，ABC三位学生都同时参与了基础课程，也就是说具备了一定的知识积累。在这里， 我们先不对这三者的选择进行评价，而是把当前QA 的实现方案带入进去，会发现一些挺有趣的地方。

C：就是通用大模型回答所有问题。

B：就是当前RAG 的方式

A：finetuing + RAG ?

笔者比较倾向于A 的方式，那么能不能实现，是所有场景都能做到，还是指定场景，那么又该怎么实现？带着这些问题，我们思考一下。

首先，我们先从一个场景入手来探索这个问题，比如：法律。

数据准备：在法律场景下，我们可以拿到所有的法律条款，和一些过往的判例。

产品功能：1. 支持法条的提问；2. 支持过往案例（包括相似案例）的提问；3. 支持新案例的推理提问？

第一个和第二个问题现在都有解决方案，比如：混合索引。那第三个问题该如何解呢，thought ? Cot ? finetuning ? 训练一个专有模型？笔者提醒一下当下业界选择RAG 的最大原因是什么，很大一部分原因是能更好的约束模型，对幻觉进行很大程度的缓解。而脱离了RAG ，当前的技术方案在幻觉缓解上又能做到什么程度呢？大家可以参考过往的论文和一些实际的工程经验。我想当前的技术方案无论哪一种在模型约束这一块都不及RAG。

而RAG 当前最大的问题是什么？笔者觉得是R 和 G 的割离，参考前面的学生例子A，如果我们能在检索之前对知识点进行学习理解，去指导检索器应该从哪方面去查找，是不是能解决当下的很多问题？比如：花里胡哨的各路检索策略？、花里胡哨的各路query扩展和排序策略？、 l o st middle（因为查询到的都是相关的）？当然这是最理想的情况，实际中这个过程可能会持续迭代，比如在实现初期，作为多路召回的一路。总之办法总比问题多。

笔者先举几个实际工程中的例子吧。比如：法律场景笔者瞎编一个案例，张三走在路上，突然大叫一声，把旁边的老大爷吓的晕倒在地，请问这种情况张三犯法嘛，犯了什么法？当前的检索逻辑能召回什么法条？那如果要改进，该怎么办？笔者思考的是，在检索前让模型先分析案例，提出可能的法条方向，然后告诉检索器进行检索，是不是比瞎蒙的情况要更好？

进一步思考，那么这个检索前的模型（暂且称之为检索指导模型）应该做到哪些点？笔者思考的是，应该对知识点有充分的理解能力，试想我们人是怎么理解知识和应用知识的。首先，凭借理解能力对知识点进行理解，再借助一些练习融会贯通，最后用到实际中。那么模型该如何实现？最直观的想法是对模型进行知识注入，笔者搜了这方面过往的论文，正在进行初步尝试中….

写在后面

以上就是笔者最近在折腾的问题和思考的方向，现广发英雄帖建立讨论群，如果读者也感兴趣，可以后台联系笔者（仅限技术，其他人员勿扰）。

最后，请大家动动小手，码字不易，点个赞。