Key Knowledge RAG (K^2RAG): An Enhanced RAG method for improved LLM question-answering capabilities

摘要

在尝试重新训练大型语言模型（LLMs），使其能够访问更广泛的知识库时，微调是一个资源消耗巨大的过程。为了缓解这一问题，提出了许多不同的微调技术，这些技术在减少微调所需的时间和计算资源方面取得了良好进展。但随着LLMs变得更加智能和规模更大，这一问题持续出现。因此，必须设计一种新的方法来实现在LLMs上进行知识扩展。检索-增强-生成（RAG）是一类技术，其中信息存储在数据库中，并检索适当的信息块来帮助回答问题。然而，朴素的RAG实现存在许多限制。本文提出关键知识增强式问答（K2RAG）框架，以解决与朴素RAG实现相关的可扩展性和答案准确性限制。该框架受到分治策略的启发，并结合了密集和稀疏向量搜索、知识图谱以及文本摘要，以帮助解决这些限制。该框架还涉及数据预处理步骤，以缩短训练时间。多跳RAG数据集被用于评估，其中我们实现的K2RAG流程使用文档语料进行训练，然后用测试数据进行评估。结果显示，与常见的朴素RAG实现相比，在回答问题方面有改进，K2RAG达到了最高的平均答案相似度0.57，并且能够回答更多与真实情况更为相似的问题，最高Q3四分位数达到0.82。此外，由于加入了训练数据语料总结步骤，我们的提出框架可以更快地进行训练，平均缩短了单个组件训练时间的93%。而且，K2RAG的操作速度甚至比基于传统知识图谱的朴素RAG实现还要快，平均执行时间减少了高达40%。除了卓越的问答能力之外，K2RAG提供了一个更具可扩展性的解决方案，与本文评估的几个朴素RAG流程的实现相比，其VRAM需求减少了三倍。因此，K2RAG可以通过实施一个基于内部文档构建的更轻量级且健壮的问答系统，帮助公司在复杂决策中做出更明智的选择。

核心速览

研究背景

1. 研究问题

   ：这篇文章要解决的问题是大规模语言模型（LLMs）在微调过程中需要大量资源的问题。为了缓解这一问题，提出了一种新的方法来增强LLMs的知识扩展能力。

2. 研究难点

   ：该问题的研究难点包括：如何在不修改基础LLM的情况下进行知识扩展，如何提高检索的准确性和效率，以及如何在保持回答质量的同时减少计算资源和时间。

3. 相关工作

   ：该问题的研究相关工作包括FLAN、LoRA和QLoRA等方法，这些方法试图通过不同的方式减少微调的时间和计算资源消耗。此外，检索增强生成（RAG）系统也被提出作为微调的替代方案，但这些方法在处理复杂查询和大规模数据时仍存在局限性。

  这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

研究方法

这篇论文提出了KeyKnowledgeRAG（K2RAG）框架，用于解决LLMs知识扩展中的可扩展性和回答准确性限制问题。具体来说，

1. 知识图谱：K2RAG使用知识图谱来组织和互联语料库中的主题。与传统的分块方法不同，知识图谱通过将内容结构化为互联节点来实现知识丰富且更具上下文意识的检索，能够处理复杂或模糊的查询。

   

2. 混合检索：为了最小化语义相似但不相关的块的检索，K2RAG集成了一个混合检索器。受Mandikal等人工作的启发，混合方法以80%/20%的优化比例加权密集向量和稀疏向量检索。

3. 摘要：K2RAG在管道的多个阶段引入摘要，以应对“针在干草堆中”的问题。在索引阶段，文档在索引到向量和知识图谱存储之前被摘要。在查询时，检索到的内容也会被摘要，以进一步细化提供给LLM的上下文。

4. 轻量级模型：为了提高VRAM资源的效率，K2RAG利用基于Longformer的文本摘要器和量化LLMs，以实现低VRAM和高效的管道，同时不降低输出质量。

实验设计

1. 数据集选择

   ：为了全面评估所提出的框架，选择了MultiHop-RAG数据集。该数据集包含用于训练的语料库和包含2555个问答对的测试数据集。语料库包含来自各种主题的609篇文章，如娱乐、健康、体育和技术。

2. 评估过程：使用K折评估框架，将数据随机分为10折。对于每个管道，为每个问题生成答案并记录回答时间。为了评估管道答案的准确性，计算预测答案和真实答案之间的相似度，使用余弦相似度作为评分函数。

   

结果与分析

1. 训练时间：通过进行语料库摘要，稀疏和密集向量存储以及知识图谱创建时间分别减少了89%、97%和94%。知识图谱创建时间从18小时减少到1小时。

   

2. 回答准确性：K2RAG的平均相似度得分为0.57，高于其他朴素方法，尽管其Q3四分位数较高，表明K2RAG能够回答更多与真实答案相似的问题。

   

3. 执行时间：K2RAG的平均执行时间为70.25秒，显著快于朴素知识图谱搜索，但慢于基于向量的搜索方法。

   

4. 内存占用：K2RAG的VRAM消耗仅为5GB，比其他检索管道少三倍，显著提高了资源效率。

总体结论

这篇论文介绍了K2RAG框架，解决了传统RAG方法的关键限制。通过使用摘要语料库，实现了平均93%的训练时间减少。结合量化模型和先进的检索过程，K2RAG在回答准确性、资源效率和执行速度方面优于所有测试的朴素RAG方法。尽管框架在平均相似度和Q3值上仅有轻微的提升，但其在某些问题类型上的表现更为出色。未来的工作建议在更广泛的主题上测试K2RAG，并增强知识图谱检索技术，以提高所有问题类型的回答准确性。

论文评价

优点与创新

1. 时间效率

   ：通过使用摘要语料库，K2RAG框架显著减少了训练时间，平均减少了93%。

2. 资源效率

   ：K2RAG框架在VRAM使用上实现了显著的优化，相比其他检索管道减少了三倍的使用量。

3. 答案准确性

   ：K2RAG在答案准确性方面优于所有测试的朴素RAG方法，达到了最高的平均相似度0.57和最高的三分位数0.82。

4. 执行速度

   ：尽管K2RAG有更多的步骤，但其执行速度仍然比朴素的知识图谱搜索RAG快，平均运行时间为70.25秒。

5. 综合技术

   ：K2RAG结合了知识图谱、混合检索和摘要技术，提高了检索准确性和答案质量。

不足与反思

1. 性能局限

   ：尽管K2RAG在某些问题上表现优异，但其平均相似度仅为0.57，表明在大多数问题上的性能提升有限。

2. 知识图谱依赖

   ：对广泛知识图谱搜索的依赖可能会降低精度，未来工作建议采用更集中的检索策略以提高主题定位的精确性和整体答案准确性。

3. 数据集范围

   ：未来工作建议在更多数据集上测试K2RAG，以评估其在更广泛主题上的表现。

关键问题及回答

问题1：K2RAG框架如何解决“针在干草堆中”的问题？

K2RAG框架通过在管道的多个阶段引入摘要来应对“针在干草堆中”的问题。具体来说，在索引阶段，文档在索引到向量和知识图谱存储之前被摘要。在查询时，检索到的内容也会被摘要，以进一步细化提供给LLM的上下文。通过这种多阶段的摘要策略，K2RAG能够在保持回答质量的同时，减少上下文的长度，避免LLM处理过长的上下文而影响性能。

问题2：K2RAG框架在训练时间上有哪些改进？

K2RAG框架通过进行语料库摘要显著减少了训练时间。具体来说，语料库摘要过程大约耗时25分钟，大多数文档被减少了86%到92%，整体平均减少了约89%的大小。这种大规模的文档压缩不仅节省了时间，还减少了计算资源的使用。此外，稀疏和密集向量存储以及知识图谱创建时间也分别减少了89%、97%和94%。例如，知识图谱创建时间从18小时减少到仅1小时。总体而言，K2RAG框架通过摘要语料库，实现了平均93%的训练时间减少。

问题3：K2RAG框架在回答准确性和执行时间上有哪些具体表现？

1. 回答准确性

   ：K2RAG的平均相似度得分为0.57，高于其他朴素方法，尽管其Q3四分位数较高，表明K2RAG能够回答更多与真实答案相似的问题。K2RAG在特定问题类型上的表现更为出色，推动了Q3四分位数的提升，但整体平均相似度提升有限。

2. 执行时间

   ：K2RAG的平均执行时间为70.25秒，显著快于朴素知识图谱搜索（117.31秒），但慢于基于向量的搜索方法（如语义搜索、关键词搜索和混合搜索）。尽管K2RAG有更多的步骤（如子问题生成和摘要），但其执行时间仍然显著快于朴素知识图谱搜索，成功实现了更快的响应时间。

  这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】