AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：[email protected]；[email protected]
黄志恒拥有爱丁堡大学博士和加州大学伯克利博士后研究经历。志恒曾在微软、百度、Facebook、腾讯和亚马逊等 IT 公司工作。志恒在亚马逊 AWS 担任首席科学家领导了 Amazon Kendra 和 Amazon Q。志恒现在是 Denser.ai 的创始人。截至 2024 年 5 月，Google Scholar 引用次数超过 13,300 次。
李万钧是一位资深全栈工程师，同时具备设计师和运维工程师的专长。他曾在多个大型项目中担任核心工程师和架构师，拥有丰富的实战经验。目前在 denser.ai 担任全栈工程师，专注于将 AI 技术深度融合到软件开发的各个阶段。
检索增强生成 (RAG) 是将检索模型与生成模型结合起来，以提高生成内容的质量和相关性的一种有效的方法。RAG 的核心思想是利用大量文档或知识库来获取相关信息。各种工具支持 RAG，包括 Langchain 和 LlamaIndex。
AI Retriever 是 RAG 框架的基础，确保 AI 运用中的准确和无缝体验。Retriever 大致分为两类：关键词搜寻和向量搜寻。关键词搜寻依赖于关键词匹配，而向量搜寻则关注语义相似性。流行的工具包括用于关键词搜寻的 Elasticsearch 和用于向量搜寻的 Milvus、Chroma 和 Pinecone。
在大语言模型时代，从工程师和科学家到市场营销等各个领域的专业人士，都热衷于开发 RAG AI 运用原型。像 Langchain 这样的工具对此过程至关重要。例如，用户可以利用 Langhian 和 Chroma 快速建立一个用于法律文档分析的 RAG 运用。
本文中，DenserAI 团队推出的 Denser Retriever 在快速原型设计方面表现突出。用户可以通过一个简单的 Docker Compose 命令快速装置 Denser Retriever 及其所需工具。Denser Retriever 不仅仅止步于此，它还提供了自托管解决方案，支持企业级生产环境的部署。
此外，Denser Retriever 在 MTEB 检索数据集上提供了全面的检索基准测试，以确保部署中的最高准确性。用户不仅可以享受 Denser Retriever 的易用性，还可以享受其最先进的准确性。
GitHub地址：https://github.com/denser-org/denser-retriever/tree/main
博客地址：https://denser.ai/blog/denser-retriever/
Denser Retriever 能做什么？
Denser Retriever 的初始版本提供了下列功能：
支持异构检索器，如关键词搜寻、向量搜寻和机器学习模型重排序。
利用 xgboost 机器学习技术有效结合异构检索器。
在 MTEB 检索基准测试中实现 State of the art accuracy。
演示如何利用 Denser Retriever 来驱动端到端运用，如聊天机器人和语义搜寻。
为什么选择 Denser Retriever？
Open Source Commitment：Denser Retriever 是开源的，提供透明性和持续的社区驱动改进机会。
Production-Ready：设计用于生产环境的部署，确保在实际运用中的可靠性和稳定性。
State-of-the-art accuracy：提供最先进的准确性，提高 AI 运用质量。
可扩展性：无论是处理不断增长的数据需求还是扩展用户需求，Denser Retriever 都能无缝扩展以满足要求。
灵活性：该工具适应广泛的运用，并可根据具体需求进行定制，是多种行业的多功能选择。
在这篇博客中，我们将展示如何装置 Denser Retriever，从文本文件或网页页面建立检索索引，并在此索引上进行盘问。
由于篇幅限制，本文不会涵盖更多高级主题，如利用自定义数据集训练 Denser Retriever、在 MTEB 基准数据集上进行评估以及创建端到端 AI 运用（如聊天机器人）。有兴趣的用户可参考下列资源获取这些高级主题的信息。
设置
装置 Denser Retriever
我们利用 Poetry 装置和管理 Denser Retriever 包。在仓库根目录下利用下列命令装置 Denser Retriever。
git clone https://github.com/denser-org/denser-retriever cd denser-retriever make install
更多细节可以在 DEVELOPMENT 文档中找到：https://github.com/denser-org/denser-retriever/blob/main/DEVELOPMENT.md
装置 Elasticsearch 和 Milvus
运行 Denser Retriever 需要 Elasticsearch 和 Milvus，它们分别支持关键词搜寻和向量搜寻。我们按照下列指示在本地计算机（例如，您的笔记本电脑）上装置 Elasticsearch 和 Milvus。
要求：docker 和 docker compose，它们都包含在 Docker Desktop 中，适用于 Mac 或 Windows 用户。
手动下载 docker-compose.dev.yml 并保存为 docker-compose.yml，或者利用下列命令。
wget https://raw.githubusercontent.com/denser-org/denser-retriever/main/docker-compose.dev.yml \ -O docker-compose.yml
利用下列命令启动服务。
docker compose up -d
Optionally，我们可以运行下列命令验证 Milvus 是否正确装置。
poetry run python -m pytest tests/test_retriever_milvus.py
索引和盘问用例
在索引和盘问用例中，用户提供一组文档，如文本文件或网页，以建立检索器。然后用户可以盘问该检索器以从提供的文档中获取相关结果。此用例的代码可在 index_and_query_from_docs.py 中找到。
代码地址：https://github.com/denser-org/denser-retriever/blob/main/experiments/index_and_query_from_docs.py
要运行此示例，请导航到 denser-retriever 仓库并执行下列命令：
poetry run python experiments/index_and_query_from_docs.py=
如果运行成功，我们预期会看到类似下列的输出。
2024-05-27 12:00:55 INFO: ES ingesting passages.jsonl record 96
2024-05-27 12:00:55 INFO: Done building ES index
2024-05-27 12:00:55 INFO: Remove existing Milvus index state_of_the_union
2024-05-27 12:00:59 INFO: Milvus vector DB ingesting passages.jsonl record 96
2024-05-27 12:01:03 INFO: Done building Vector DB index[{'source': 'tests/test_data/state_of_the_union.txt',
'text': 'One of the most serious constitutional responsibilities...',
'title': '', 'pid': 73,
'score': -1.6985594034194946}]
在接下来的部分中，我们将解释其中的基础过程和机制。
概述
下图说明了 Denser Retriever 的结构，它由三个组件组成：
关键词搜寻依赖于利用精确关键词匹配的传统搜寻技术。我们在 Denser Retriever 中利用 Elasticsearch。
向量搜寻利用神经网络模型将盘问和文档编码为高维空间中的密集向量表示。我们利用 Milvus 和 snowflake-arctic-embed-m 模型，该模型在 MTEB/BEIR 排行榜的各个尺寸变体中均实现了最先进的性能。
ML 交叉编码器重排序器可用于进一步提升上述两种检索方法的准确性。我们利用 cross-encoder/ms-marco-MiniLM-L-6-v2，该模型在准确性和推理延迟之间具有良好的平衡。
配置文件
我们在下列 yam 文件中配置上述三个组件。大多数参数是不言自明的。关键字、向量、重排序的部分分别配置 Elasticsearch、Milvus 和重排序器。
我们利用 combine: model 通过一个 xgboost 模型（experiments/models/msmarco_xgb_es+vs+rr_n.json）来结合 Elasticsearch、Milvus 和重排序器，该模型是利用 mteb msmarco 数据集训练的（参见训练配方了解如何训练这样的模型）。
除了模型组合，我们还可以利用线性或排名来结合 Elasticsearch、Milvus 和重排序器。在 MTEB 数据集上的实验表明，模型组合可以显著提高准确性，优于线性或排名方法。
一些参数，例如 es_ingest_passage_bs，仅在训练 xgboost 模型时利用（即盘问阶段不需要）。
version: "0.1" # linear, rank or model combine: model keyword_weight: 0.5 vector_weight: 0.5 rerank_weight: 0.5 model: ./experiments/models/msmarco_xgb_es+vs+rr_n.json model_features: es+vs+rr_n keyword: es_user: elastic es_passwd: YOUR_ES_PASSWORD es_host: http://localhost:9200 es_ingest_passage_bs: 5000 topk: 100 vector: milvus_host: localhost milvus_port: 19530 milvus_user: root milvus_passwd: Milvus emb_model: Snowflake/snowflake-arctic-embed-m emb_dims: 768 one_model: false vector_ingest_passage_bs: 2000 topk: 100 rerank: rerank_model: cross-encoder/ms-marco-MiniLM-L-6-v2 rerank_bs: 100 topk: 100 output_prefix: ./denser_output_retriever/ max_doc_size: 0 max_query_size: 10000
生成 passages (段落)
我们现在描述如何从给定的文本文件（state_of_the_union.txt）建立一个检索器。下列代码显示如何读取文本文件，将文件分割成文本块并将其保存为 jsonl 文件（passages.jsonl）。
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from denser_retriever.utils import save_HF_docs_as_denser_passages
from denser_retriever.retriever_general import RetrieverGeneral
# Generate text chunks
documents = TextLoader("tests/test_data/state_of_the_union.txt").load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)
texts = text_splitter.split_documents(documents)
passage_file = "passages.jsonl"
save_HF_docs_as_denser_passages(texts, passage_file, 0)
passages.jsonl 中的每一行都是一个段落，包含 source、title、text 和 pid（段落 ID）字段。
{"source": "tests/test_data/state_of_the_union.txt",
"title": "",
"text": "Madam Speaker, Madam Vice President, our First Lady and Second Gentleman...",
"pid": 0}
建立 Denser 检索器
我们可以利用给定的 passages.jsonl 和 experiments/config_local.yaml 配置文件来建立 Denser 检索器。
# Build denser index
retriever_denser = RetrieverGeneral("state_of_the_union", "experiments/config_local.yaml")
retriever_denser.ingest(passage_file)
盘问 Denser 检索器
我们可以简单地利用下列代码来盘问检索器以获得相关段落。
# Query
query = "What did the president say about Ketanji Brown Jackson"
passages, docs = retriever_denser.retrieve(query, {})
print(passages)
每个返回的段落都会接收一个置信分数，以指示它与给定盘问的相关性。我们得到类似下列的结果。
[{'source': 'tests/test_data/state_of_the_union.txt',
'text': 'One of the most serious constitutional...',
'title': '', 'pid': 73,
'score': -1.6985594034194946}]
将所有内容整合在一起
我们将所有代码整合如下。代码也可在 repo 中找到。
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from denser_retriever.utils import save_HF_docs_as_denser_passages
from denser_retriever.retriever_general import RetrieverGeneral
# Generate text chunks
documents = TextLoader("tests/test_data/state_of_the_union.txt").load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)
texts = text_splitter.split_documents(documents)
passage_file = "passages.jsonl"
save_HF_docs_as_denser_passages(texts, passage_file, 0)
# Build denser index
retriever_denser = RetrieverGeneral("state_of_the_union", "experiments/config_local.yaml")
retriever_denser.ingest(passage_file)
# Query
query = "What did the president say about Ketanji Brown Jackson"
passages, docs = retriever_denser.retrieve(query, {})
print(passages)
从网页建立检索器
与上述方法类似，除了段落语料库的生成。index_and_query_from_webpage.py 源代码可以在这里找到。
要运行这个用例，请进入 denser-retriever repo 并运行：
poetry run python experiments/index_and_query_from_webpage.py
poetry run python experiments/index_and_query_from_webpage.py
如果成功，我们预计会看到类似下列的内容。
2024-05-27 12:10:47 INFO: ES ingesting passages.jsonl record 66
2024-05-27 12:10:47 INFO: Done building ES index
2024-05-27 12:10:52 INFO: Milvus vector DB ingesting passages.jsonl record 66
2024-05-27 12:10:56 INFO: Done building Vector DB index
[{'source': 'https://lilianweng.github.io/posts/2023-06-23-agent/',
'text': 'Fig. 1. Overview of a LLM-powered autonomous agent system...',
'title': '',
'pid': 2,'
score': -1.6985594034194946}]
进一步阅读
由于篇幅限制，我们在这篇博客中未包括下列主题。
利用客户数据集训练 Denser Retriever。用户提供一个训练数据集来训练一个 xgboost 模型，该模型决定如何结合关键字搜寻、向量搜寻和重排序。训练和测试的工作流程如下图所示。
在 MTEB 数据集上评估 Denser Retriever。通过 xgboost 模型结合关键字搜寻、向量搜寻和重排序可以进一步提高向量搜寻基线。例如，我们最好的 xgboost 模型在所有 MTEB 数据集上的 NDCG@10 得分为 56.47，相比向量搜寻基线（NDCG@10 得分 54.24）绝对提高了 2.23，相对提高了 4.11%。
端到端搜寻和聊天运用。我们可以轻松利用 Denser Retriever 建立端到端的聊天机器人。
过滤器 (Filters)。上述索引和盘问用例假设搜寻项仅包含非结构化文本。此假设可能不成立，因为数据集可能包含数值、分类和日期属性。过滤器可用于为这些属性设置约束。
Denser Retriever文档：https://retriever.denser.ai/docs