简介

检索增强生成 (RAG) 是一种方法，使语言模型 (LLM) 能够访问广泛的知识库、在其中搜索相关段落并利用这些信息生成精确的响应。

RAG 使 LLM 能够通过利用上下文学习 (ICL) 来动态地利用实时知识，即使最初没有接受过数据训练。

然而，这种方法使得建立和完善 RAG 管道变得更加复杂。

DSPy 有一种无缝的方法来设置 RAG 提示管道。

下面显示了 DSPy RAG 应用程序序列……

DSPy RAG 程序

本笔记本使用了 GPT-3.5（特别是 gpt-3.5-turbo）和 ColBERTv2 retriever。

ColBERTv2 retriever 托管在一个免费服务器上，其搜索索引来自维基百科 2017 年的 “摘要”，其中包含 2017 年转储的文章介绍段落。

下面是在 DSPy 设置中如何配置语言模型和检索器模型。

import dspy
turbo = dspy.OpenAI(model='gpt-3.5-turbo')
colbertv2_wiki17_abstracts = dspy.ColBERTv2(url='http://20.102.90.50:2017/wiki17_abstracts')
dspy.settings.configure(lm=turbo, rm=colbertv2_wiki17_abstracts)

然后加载测试数据：

from dspy.datasets import HotPotQA
# Load the dataset.
dataset = HotPotQA(train_seed=1, train_size=20, eval_seed=2023, dev_size=50, test_size=0)
# Tell DSPy that the 'question' field is the input. Any other fields are labels and/or metadata.
trainset = [x.with_inputs('question') for x in dataset.train]
devset = [x.with_inputs('question') for x in dataset.dev]
len(trainset), len(devset)

然后创建签名......你可以看到上下文、输入和输出字段是如何定义的。

class GenerateAnswer(dspy.Signature):
    """Answer questions with short factoid answers."""
    context = dspy.InputField(desc="may contain relevant facts")
    question = dspy.InputField()
    answer = dspy.OutputField(desc="often between 1 and 5 words")

RAG 管道是作为 DSPy 模块创建的，需要两个方法：

• __init__ 方法将简单地声明所需的子模块：dspy.Retrieve 和 dspy.ChainOfThought。后者的定义是为了实现我们的 GenerateAnswer 签名。
• forward 方法将描述使用现有模块回答问题的控制流： 给定问题后，我们将搜索前 3 个相关段落，然后将其作为生成答案的上下文。

class RAG(dspy.Module):
    def __init__(self, num_passages=3):
        super().__init__()
        self.retrieve = dspy.Retrieve(k=num_passages)
        self.generate_answer = dspy.ChainOfThought(GenerateAnswer)
    
    def forward(self, question):
        context = self.retrieve(question).passages
        prediction = self.generate_answer(context=context, question=question)
        return dspy.Prediction(context=context, answer=prediction.answer)

下面是一个训练数据示例：

Example({'question': 'At My Window was released by which American singer-songwriter?', 
'answer': 'John Townes Van Zandt'}) 
(input_keys={'question'}), 
Example({'question': 'which  American actor was Candace Kita  guest starred with ', 
'answer': 'Bill Murray'}) 
(input_keys={'question'}), 
Example({'question': 'Which of these publications was most recently published, Who Put the Bomp or Self?', 
'answer': 'Self'}) 
(input_keys={'question'}), 

执行程序

下面是带着问题执行的程序...

# Ask any question you like to this simple RAG program.
my_question = "What castle did David Gregory inherit?"
# Get the prediction. This contains `pred.context` and `pred.answer`.
pred = compiled_rag(my_question)
# Print the contexts and the answer.
print(f"Question: {my_question}")
print(f"Predicted Answer: {pred.answer}")
print(f"Retrieved Contexts (truncated): {[c[:200] + '...' for c in pred.context]}")

回复是

Question: What castle did David Gregory inherit?
Predicted Answer: Kinnairdy Castle
Retrieved Contexts (truncated): ['David Gregory (physician) | David Gregory (20 December 1625 – 1720) was a Scottish physician and inventor. His surname is sometimes spelt as Gregorie, the original Scottish spelling. He inherited Kinn...', 'Gregory Tarchaneiotes | Gregory Tarchaneiotes (Greek: Γρηγόριος Ταρχανειώτης , Italian: "Gregorio Tracanioto" or "Tracamoto" ) was a "protospatharius" and the long-reigning catepan of Italy from 998 t...', 'David Gregory (mathematician) | David Gregory (originally spelt Gregorie) FRS (? 1659 – 10 October 1708) was a Scottish mathematician and astronomer. He was professor of mathematics at the University ...']

总结

关于 DSPy 的实现，有几点初步看法：

• 代码简洁明了。
• 创建初始 RAG 应用程序非常简单，只需设置足够的参数即可。
• 拥有一个强大的数据摄取管道非常方便，这也是必须考虑的问题。
• 内置的管道评估和检索非常方便。
• 我无法评论 RAG 框架的可扩展性和扩展性，以及围绕 DSPy RAG 框架构建代码的复杂性。
• 不过，作为一个快速的独立实现，它的简洁性令人印象深刻。