今天是2025年5月20日，星期二，北京，晴。
我们今天继续来看RAG的数据合成问题，这个我们已经讲过许多了，例如：
《大模型微调数据生成工具Easy Dataset及KBLaM知识注入框架评析》(https://mp.weixin.qq.com/s/0PUMbuiyXPUIXunMuH-otw)
《RAG中的生成线索挖掘：KG+COT+NLI集成思路GE-Chat及CausalRAG因果过滤方案》（https://mp.weixin.qq.com/s/PwLJgHJqZxpPbw4NJ1Nfpg）、
《数据合成方案:知识图谱增强RAG用于难度可控问题生成思路及实现流程》（https://mp.weixin.qq.com/s/E4kx_w0d9mgkfRY0Ftzuag）。
这些实际上都做的是知识图谱能够在数据合成上能够发挥的作用。继续顺着这个观点，我们来看一个新的工作，RAGSynthetic，里面从facts事实性出发，以实体作为锚点，实体关系之间作为多跳，并通过改写的思路（尤其是其中辛苦设计的prompt），都很有借鉴意义。
抓住根本问题，做根因，专题化，体系化，会有更多深度思考。大家一起加油。
一、RAG数据合成框架RAGSynth实现思路
最近的工作《RAGSynth: Synthetic Data for Robust and Faithful RAG Component Optimization》(https://arxiv.org/pdf/2505.10989)，提出了RAGSYNTH框架，用于生成多样化的RAG数据集，提高检索器的鲁棒性和生成器的忠实度，代码在：https://github.com/EachSheep/RAGSynth。
1、实现思路
目标是构建映射数据，数据包括：G=(D,Q,C,A,M)，其中，D表示文档集，Q表示查询集，C表示线索集，A表示答案集，M表示映射关系。
整个数据合成涉及多个步骤，包括文档分割、线索提取、实体关系建立、查询生成以及答案映射等
2、核心细节拆解
如上图所示，具体分成9个步骤：
1）首先，将文档（①）分割成多个块，从而形成文档集（②），切分的逻辑在：https://github.com/EachSheep/RAGSynth/blob/master/knowledge_enhancement/chunk_by_files/chunk_by_files.py
2）其次，从文档中提取事实线索。对于单跳查询，直接提取线索（③）；
这里的线索，就是提取根据一个段落text，能够抽取得到事实facts，这里的逻辑在：https://github.com/EachSheep/RAGSynth/blob/master/knowledge_enhancement/components/fact_extractor/fact_extractor.py，核心是提示大模型抽取客观事实。
在多跳查询的情况下，通过从线索中提取的实体建立多个文档之间的联系，以便于构建问题（④），执行实体解析（⑤）之后，构建一个实体图（⑥）。
这里提取实体和实体关系描述的逻辑在：https://github.com/EachSheep/RAGSynth/blob/master/knowledge_enhancement/components/entity_extractor/entity_extractor.txt
由于可能会出现同名实体，所以需要进行实体消歧，实体消歧的逻辑在：https://github.com/EachSheep/RAGSynth/blob/master/knowledge_enhancement/components/entity_eliminator/entity_eliminator.py，核心是解决实体冲突和标准化问题。
然后，实体图谱的构造逻辑在：https://github.com/EachSheep/RAGSynth/blob/master/knowledge_enhancement/components/entity_graph_constructor/entity_graph_constructor.py，根据抽取好的图谱，构造图，后面用于搜索子图、扩展，没有用存储数据库。
可以指定搜索深度来获取相应子图。
3）将提取的线索输入到一个大模型（LLM）中以生成直接的问题（⑦）。
这里的逻辑在https://github.com/EachSheep/RAGSynth/blob/master/knowledge_enhancement/components/propose_generator/propose_generator_content.txt，直接提示大模型进行问题生成，最多生成3个问题：
输入的是一系列事实：
<detailed-desc>
Apple's revenue increased by 6% year-over-year, reaching $94.9 billion.
</detailed-desc>
对于多跳问题，向LLM提供多个以实体为中心的线索，以生成更复杂、与实体相关的查询（⑦）；
这块的逻辑是：https://github.com/EachSheep/RAGSynth/blob/master/knowledge_enhancement/components/propose_generator/propose_generator_entity_graph.txt，输入的是查询entity_graph之后获得的多跳实体子图，然后再提示大模型生成问题。
输入的数据格式包括source_entity_name、target_entity_name以及relationship_desc。
<source_entity_name>
Richard H. Shaw
</source_entity_name>
<target_entity_name>
Undergraduate Admission
</target_entity_name>
<relationship_desc>
Richard H. Shaw, as the Dean of Undergraduate Admission, oversees the application process and emphasizes the importance of personal growth and resilience in applicants
</relationship_desc>
要求必须实体之间必须要有两度关系。
4）基于预定义的等价转换规则（⑨），提示LLM迭代地重新构建生成的问题（⑧）并改变线索的完整性（⑩），这块是整个的核心，注意，核心中的核心。。
这里的转换逻辑在：https://github.com/EachSheep/RAGSynth/tree/master/knowledge_enhancement/components/rephrase_generator，也包括多种规则，例如：
Logical Rephraser Rules，包括Temporal Expansion、Comparison Addition、Metric Segmentation、Multi-step Question、Explanation of Reasons
Completeness Rephraser Rules，包括Near-synonym Replacement、Order Reversal、Semantic Ambiguity、Perspective Shift、Conditional Addition
整的核心逻辑，其实就是改的，改完之后，意义保持不变。
question和answer部分，都统一进行转写。
5)最终，建立线索到chunk之间的关系（⑪），然后答案到线索之间的关系（⑫），这两步很自然，不需多说。
所以，整个的这个，逻辑很清晰，都能够溯源到，基于实体作为锚点展开，并且还通过问题改写这种，里面的prompt是可以拿出来使用的，也很有借鉴意义。
二、关于Agent的一些提示指南记录
目前关于智能体，关于智能体搭建的一些指南，有一些参考的，在这里记录下：
1、Google Gemini提示指南：Gemini for Google Workspace Prompting Guide 101，https://services.google.com/fh/files/misc/gemini-for-google-workspace-prompting-guide-101.pdf；
2、Anthropic构建有效智能体指南：Building Effective Agents，https://www.anthropic.com/engineering/building-effective-agents；
3、Anthropic提示工程指南：Prompt Engineering Overview，https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview；
4、Anthropic交互式提示工程教程：Prompt Engineering Interactive Tutorial，https://github.com/anthropics/prompt-eng-interactive-tutorial；
5、OpenAI实用智能体构建指南：A Practical Guide to Building Agents，https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf
参考文献
1、https://github.com/EachSheep/RAGSynth
2、https://arxiv.org/pdf/2505.10989
（文：老刘说NLP）