关于在RAG检索增强中文档处理的解决方案——针对中小企业

在大模型应用领域中——RAG技术应该属于一项基础技术，不论做什么业务基本都离不开RAG的存在；但RAG技术属于典型的入门五分钟，想做好却需要花费大量时间和精力，以及成本。

所以，今天我们就来讨论一下RAG技术在企业应用中的解决方案，既要考虑技术问题，也要考虑成本问题。

RAG技术从整体上来说主要分为两块，一块是文档预处理，也就是把文档处理成向量格式，但需要尽量保证文档的语义完整性；其次，就是检索召回，具体要求是能快速并准确地召回需要的数据。

但从实践的角度来看，目前对RAG影响最大的是第一步——文档预处理，文档处理的质量越高，召回的精准度就越高。其实这一点也很好理解，在一个有完善管理系统的图书馆里找书，肯定会比在一堆没人管理的书堆里找书要快，要好。

那在文档预处理这块，主要存在的难点是什么？

在文档处理领域，主要存在两种数据形式，结构化数据和非结构化数据；结构化数据主要以excel这种二维表的形式存在，其处理起来相对比较简单；而非结构化数据的格式就比较多，并且比较混乱，比如说txt，word，pdf，markdown，ppt等多种形式。

结构化数据今天我们就不讨论了，因为其比较简单；所以，我们今天主要讨论的是非结构化数据，就以word文档为例。

由于大模型有窗口上下文长度限制，并且从成本的角度考虑；文档处理首先需要进行文档切分，把文档按照长度，段落或其它方式拆分成多个小段。

但非结构化文档拆分的难点是其文档的结构，以word文档为例；文档内容可以是文字，图片，表格，结构图，架构图等多种形式。由于其文档的复杂性，就导致其文档处理起来相对比较复杂。

原因就在于，对人类来说，文档中的文字，图片和表格很好区分，但对大模型来说怎么区分那些是文字，那些是图片，那些是表格就有相当大的挑战性。虽然说现在有了多模态模型的存在，可以部门解决这个问题，但不论从成本，还是处理速度，亦或者是效果来看，都有点差强人意。

在文档中文字和图片需要分开进行处理，对长表格来说也需要保证表格的完整性；并且，要保证拆分之后的文档存在一定的关联性，否则很容易导致驴头不对马嘴。

举例来说，一个技术文档，一个运营文档，可能都存在前言，介绍这种段落；而在文档拆分之后，需要分清楚，那些段落是属于技术文档的，那些段落属于运营文档。

所以面对这种问题，目前比较好的解决方案是把这些文档转换成markdown格式；原因在于，虽然markdown文档也是非结构化数据，但markdown又一套属于自己的规范，比如说用一到多个#可以表示多个层级；也就是说markdown文档属于非结构化文档中，相对比较结构化的文档格式，这也是为什么目前各大模型厂商的前端展示格式主要以markdown为主。

在处理markdown文档时，可以把拆分的每段文档都带上其上级标题；比如说，一个RAG的技术文档，一级标题是RAG解决方案，二级标题可以是文档拆分，文档向量化，文档召回等等；当然，也可以根据不同的需要，存在三级标题，四级标题等等。

这样每个拆分的段落都携带上层一级或多级标题，这样就可以尽量保证每段文档的关联性。

然后在具体处理时，就可以根据段落进行向量化，如果段落超长，则可以对段落进行再次拆分，但一定要带上其上级标题。

而至于文档中存在的图片和表格，也需要进行特殊的处理，对表格来说主要是保证表格数据的完整性，在非长表格的情况下，尽量不要对表格数据进行拆分；而对于图片格式，可以使用OCR技术，读取图片中的数据并转换成文字，但这种处理方式会导致架构图，流程图等失去其本身的逻辑结构。

当然，也可以使用多模态模型或其它方式进行处理，但其整体上来看，效果不是特别好，但成本又特别高，并不是一个好的选择。

所以，在RAG中最好尽量避免处理带图片的文档，很多时候处理不好，反而会降低文档本身的质量，污染正常的文本数据，导致召回效果变差。

最后，需要注意的是RAG增强检索，并不限制文档数据的来源，也不一定非要使用向量检索；传统的数据检索技术同样可以应用于RAG技术中；在某些大数据量处理的RAG系统中，传统的检索技术依然占据着主导地位，原因就在于基于向量检索的速度问题，相对于传统检索方式会更慢。