概述
在现代信息检索领域，检索增强生成（Retrieval-Augmented Generation, RAG）模型结合了信息检索与生成式人工智能的优点，从而在特定场景下提供更为精准和相关的答案。在特定场景下，例如医疗等领域，用户通常需要精确且相关的信息来支持决策。传统生成模型虽然在自然语言理解和生成方面表现良好，但在专业知识的准确性上可能有所不足。RAG 模型通过将检索与生成相结合，能有效提升回答的准确性和上下文相关性。本方案为您介绍，如何使用人工智能平台 PAI 构建面向医疗场景的大模型 RAG 检索增强解决方案。
-
使用 PAI-Designer 构建知识库
您可以参照数据格式要求准备，使用 PAI-Designer 构建相应的检索知识库。
-
使用 PAI-LangStudio 进行模版构建
您在 LangStudio 中使用预置的 RAG 模版进行定制化，创建适合具体应用的模板。
-
使用 PAI-Langstudio 构建在线应用
LangStudio 提供了用户友好的界面，使用户能够轻松提交查询并获取答案。您可以使用创建好的模板构建符合业务需求的在线应用。
前置准备
在开始执行操作前，请确认您已完成以下准备工作：
1. 准备数据集
在使用 PAI-Designer 构建知识库的过程中，您首先需要根据特定领域的需求，准备并整理好适合的数据集。这些数据往往涉及到该领域的专业内容，需确保数据的准确性和完整性。PAI-Designer 提供了一套便捷的工具和接口，帮助用户轻松导入和管理这些数据。在本解决方案中，我们以医疗为例，展示使用 CSV 作为原始数据，使用 PAI-Designer 构建知识库的的步骤。
您需要确保数据格式符合 PAI-Designer 的要求，例如 CSV 格式。可以通过对领域文档进行预处理和格式化，提取其中的关键信息。
数据示例
以下给出医疗领域的数据的示例，格式为 csv，主要内容为维基百科上的疾病介绍，用户可以根据需要准备自己的数据：
![]()
![]()
该示例数据集已经放置于公开的 oss bucket 中，可以使用 wget 下载，下载后请用户将数据上传到自己的 oss bucket 中，以供下一步使用：
wget https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/solutions/rag/data/%E5%8C%BB%E7%96%97csv.zip
2. 部署 LLM 和 Embedding 模型
-
前往快速开始 > ModelGallery，分别按场景选择大语言模型及Embedding分类，并部署指定的模型。本文以通义千问2.5-7B-Instruct和bge-large-zh-v1.5 通用向量模型为例进行部署。请务必选择使用指令微调的大语言模型（名称中包含“Chat”或是“Instruct”的模型），Base 模型无法正确遵循用户指令回答问题。
![]()
![]()
-
前往任务管理，单击已部署的服务名称，在服务详情页签下单击查看调用信息，分别获取前面部署的 LLM 和 Embedding 模型服务的 VPC 访问地址和 Token，供后续创建连接时使用。
![]()
![]()
3. 创建 LLM 链接
-
进入LangStudio，选择工作空间后，在连接管理页签下单击新建连接，进入应用流创建页面。
-
创建通用 LLM 模型服务连接。其中 base_url和api_key 分别对应1. 部署 LLM 和 Embedding 模型中 LLM 的 VPC 访问地址和 Token。
![]()
4. 创建 Embedding 模型服务连接
同3. 创建 LLM 链接，创建通用 Embedding 模型服务连接。其中base_url和api_key分别对应2. 部署 LLM 和 Embedding 模型中 Embedding 模型的 VPC 访问地址和 Token。
![]()
5. 创建向量数据库连接
同3. 创建 LLM 链接，创建 Milvus 数据库连接。
![]()
关键参数说明：
![]()
则 uri 为http://c-b1c5222fba****-internal.milvus.aliyuncs.com。
使用 PAI-Designer 构建知识库
使用 PAI-Designer 构建知识库索引工作流主要包含以下几个步骤:
-
使用数据源读取组件，读取 OSS 中的数据。
-
使用文本解析分块组件，对文本进行分块。
-
使用向量生成组件，对分块后的文本进行向量化。
-
使用索引存储组件，将向量化后的文本存储到向量数据库。
![]()
PAI-Designer 工作流串联示例
您可以打开 PAI-Designer，选择 LLM 大语言模型中的检索增强生成构建自己的知识库。
![]()
进入工作流后，您会看到下面的工作流，接下来依次介绍各个模块的作用以及需要填写的参数。
RAG 读取 OSS 数据
选择存储数据的 OSS Bucket，确保 Bucket 中已经保存好相关的文档数据（可以为 pdf/csv 格式）。
![]()
![]()
RAG 文本解析分块
对输入的文件进行分块处理，填入块大小和块重叠大小的参数，并选择 OSS Bucket 保存分块完成的数据。
![]()
RAG 文本向量生成
使用 embedding 模型，对分块完成的数据进行向量化并存储，便于后续的检索操作。
![]()
RAG 索引构建
使用先前创建的 milvus 数据库，存储已经生成的文档向量。其中向量数据库选择自己创建的数据库，为存储的文档向量取一个名称，填入集合/表名称中；相似度度量可以选择点积、余弦、欧几里得的方式；并选择一个 OSS Bucket 保存 RAG 的索引。
![]()
![]()
使用 PAI-LangStudio 进行模版构建
PAI-LangStudio 是一个人工智能应用的开发平台，采用直观的交互式环境，简化了企业级大模型应用的开发流程。在开发和设计大模型应用时，可以使用 PAI-LangStudio 进行模版构建。此外，PAI-LangStudio 配合一键部署 EAS，使得高质量应用得以迅速、无缝地部署至生产环境。以下介绍使用 PAI-LangStudio 进行模版构建的过程
新建应用流
-
进入LangStudio，选择工作空间后，在应用流页签下单击新建应用流，进入应用流创建页面。
-
选择从模板新建，并在选择 RAG 模板后填入应用流名称，在 OSS Bucket 中选择存储应用流的路径。
![]()
配置应用流
创建应用流后会进入应用流详情界面，左图中有四个节点，分别对应了不同的功能。
-
rewrite_question 节点通过对用户问题的重写以提升问题质量，其中需要用户在基础配置中选择 connection为前置准备3. 创建 LLM 连接中创建好的连接。
![]()
-
retrieve 节点通过向量数据库召回和问题相关的文档内容，Vector Store 需要用户选择前置准备5. 创建向量数据库中创建好的数据库以及在 index_name 中填入使用PAI-Designer 构建知识库-RAG 索引构建中填入的集合/表名；Embedding Model 中需要用户选择前置准备4. 创建 Embedding 模型服务连接中创建的连接。
![]()
-
threshold_filter 节点对 retrieve 节点召回的文档进行过滤，填入的 threshold 值是对召回文档和查询问题相似度过滤的条件，threshold 越大，则过滤掉越多召回的相似度低的文档。
![]()
-
generate_answer 节点根据召回和过滤后的文档，回答问题。用户需要在基础配置中选择前置准备3. 创建 LLM 连接中创建好的 LLM 连接。
![]()
使用 PAI-Langstudio 构建在线应用
-
配置完上述流程后，点击启动运行时，并选择机型，配置专有网络链接，部署 RAG 应用。
![]()
![]()
-
运行时启动后，点击对话按钮，在左侧对话框中输入想问的问题，与大语言模型开始交流对话。
![]()
案例对比
以下给出医疗领域，使用和不使用RAG解决特定任务的案例对比。红色部分表示大模型回答有事实性错误，或者不够具体精确，绿色部分表示使用RAG得到的对应正确回复。
任务一：疾病治疗建议
问题：患者女，40岁，常年患有全身性红斑狼疮。请根据相关医疗知识，给出个性化的治疗建议。
![]()
任务二：疾病辅助诊断
问题：患者男，30岁，近日发现右眼视力严重受损，视力模糊并且出现复视，并且有肢体无力、共济失调现象。请根据相关医疗知识，判断患者可能患有的疾病，并且推荐医院相关科室进行治疗。
![]()
任务三：疾病预警
问题：孕妇子痫前症的发病病因有哪些。
![]()
