原標題：Deepseek引發的RAG熱潮：一周出demo，半年用不好
文章來源：JioNLP
內容字數：4575字

Deepseek 熱潮與 RAG 的：中小團隊的 AI 部署困境

近年來，大型語言模型（LLM）如 Deepseek 迅速走紅，各行各業的領導者都渴望將其應用于自身業務，以實現 AI 智能化。然而，現實情況往往與理想相差甚遠，尤其是在資源有限的中小團隊中。本文將深入探討 Deepseek 部署過程中遇到的挑戰，特別是基于檢索增強生成 (RAG) 的系統開發中常見的七個失敗點，并提供一些可能的改進方向。

1. Deepseek 部署的現實挑戰

許多單位僅擁有一臺 GPU 服務器，難以部署 Deepseek 的完整版本。即使部署了參數量較小的版本，結合私有數據后，模型的幻覺和重復回答問題依然突出。因此，RAG 技術成為許多團隊的關注焦點，希望通過檢索相關文檔來提升模型的準確性和可靠性。

2. RAG 的

然而，基于一篇題為《Seven Failure Points When Engineering a Retrieval Augmented Generation System》的論文，RAG 系統在實際應用中存在七個主要的失敗點：

1. 內容缺失 (FP1): 所需信息不在文檔庫中，系統卻給出不相關的答案。

2. 檢索 TopK 內容缺失 (FP2): 答案存在于文檔庫，但排名靠后未被檢索到。

3. 未在上下文中 (FP3): 系統檢索到包含答案的文檔，但未將其納入上下文進行答案生成。

4. 未提取 (FP4): 答案在上下文中，但 LLM 無法提取。

5. 錯誤格式 (FP5): LLM 未按照要求的格式返回答案。

6. 錯誤的特異性 (FP6): 答案過于籠統或過于具體，無法滿足用戶需求。

7. 不完整 (FP7): 答案正確但缺少部分信息。

3. 改進方向

為了改善 RAG 系統的性能，論文提出了一些研究方向：

• 更長的上下文信息 (FP4): 增加 LLM 的上下文窗口大小。

• 語義緩存 (FP1): 利用緩存技術降低成本和延遲。

• RAG 越獄 (FP5-FP7): 通過微調 LLM 來提升其基礎能力。

• 增加元信息 (FP2,FP4): 在檢索到的上下文中添加文件名和塊編號等元信息。

• 開源嵌入模型 (FP2-FP7): 利用開源嵌入模型處理小型文本。

• RAG 系統持續校準 (FP2-FP7): 持續監控和調整 RAG 系統。

• RAG 配置流水線 (FP1,FP2): 建立完善的 RAG 配置流水線。

• 離線評估技術 (FP2-FP4): 開發更有效的離線評估技術。

4. 總結

Deepseek 等大型語言模型的應用前景廣闊，但其部署和應用并非易事。中小團隊在利用 RAG 技術構建 AI 系統時，需要充分認識并解決上述七個失敗點，才能真正發揮 AI 的價值，避免“一周出 demo，半年用不好”的困境。持續學習和改進是 AI 應用成功的關鍵。

聯系作者

文章來源：JioNLP
作者微信：
作者簡介：用數學和程序解構世界。