【Self-RAG】模板

功能说明

伴随着知识问答场景的日益复杂，在实际的知识问答场景中，使用 RAG 检索时，常常会遇到用户一句话里有多个问题无法检索齐全，或者目标内容相似度太低而导致检索内容不全的情况。下面，让我们深入了解一种创新的 RAG 方法 ——Self-RAG。

适应场景

一般适合处理以下场景：

1. 用户的问题中包含了很多小问题，需要将每个问题的知识全部检索出来；
2. 在查询知识库时，相关的知识语义太低，需要将这些知识全部检索出来；

流程图示

从上图可以看出，Self-RAG 在知识库检索完成后，会利用 AI 对检索结果进行评估。如果满足评估条件，则输出结果；如果不满足，则 AI 生成新的参数继续检索，直到满足评估条件为止。

这一框架使得 AI 能够自主修正并检索那些未能检索出来的答案，从而在各种检索任务中大大提高了检索命中率。

Self_RAG模板介绍

在BetterYeah平台中，我们提供了Self_RAG模板，你仅需根据业务更改对应的参数，即可快速使用起来。

Self_RAG模板流程说明

在Self_RAG模板中，主要包含以下部分：

1. 获取查询参数；
2. 查询知识库；
3. AI评估结果；
4. 如果结果不满足，则使用AI生成新的查询参数，重新弄查询；
5. 记录每一次符合条件的查询结果。

Self_RAG模板使用方法

在使用Self_RAG模板时，你需要重点关注以下三个节点的参数，并根据实际需求进行更改：

1. 知识查询：填写你需要查询的知识库；
2. AI评估结果：你需要根据业务情况，改写prompt中的【答案检查要求】内容；
3. 查询结束条件：你需要设置结束查询条件的最大循环次数，来控制AI最多可以执行的查询次数；
   

从上面的说明中，为你介绍了Self_RAG的流程说明和使用方式，在实际使用过程中，Self_RAG的流程可以根据模型、业务情况进行不同的修改和改编，这里我们在后面的文章中会一一介绍。

其他说明

self_RAG模板提供了一种利用AI能力解决检索问题的思路，你可以根据自己的业务和AI模型的特点，探索更多的AI检索流程，更改AI检索的流程和相关配置，以达到最优的检索效果。