readme.md

项目介绍

《斗破苍穹》小说 RAG 问答，爬虫爬取整部小说章节，并分别保存到不同的数据源中。 txt，pdf，markdown，word。

对数据进行分块，召回，根据问题生成回答。

对比了智谱 GLM 系列所有模型，以及不同召回块数（字数）的效果。

模型对比实验

spider.py 为爬虫代码

先用前 100 章节测试，再测试全部章节。 设置 10 个问题，控制变量法 测试结果如下：

对比结果写在了 J 列，总结：

1. glm_4_flash，glm-4-long 两个模型在效果上比较好，时间可以接受，准确率相对较好。
2. glm-4-long 选择了这个模型去继续用。在 15w 字这个模型理解还是比较好的。

分块方法对比

1. 字数分块，512, 1000，在 7-15w 字效果差不多
2. 字数分块对比字数分块带上元数据的，效果也差不多，可能相差 1 个左右的准确率
3. 并且别人有验证的带上元数据有好处的，所有后面都带上了

检索方法对比

1. 较好的方法是相似性检索，及 mmr 但这两个对比在这里是一样，所以就用了相似性 similary
2. 其他是 langchain 中的其他方法
3. 上面的结论说了再 15w 左右是可以得到答案，且速度还可以，理解也不错，但 15w 还是太多了 ，所以先检索 150 个快，15w 字，在从 15w 在检索 50w ，这样更准确，却耗费 token 更少。

结果

上面的实验都是在选择，所以最终选择组合为：

1. 字数分块+元数据，分块字数 1000
2. glm-4-long 模型
3. 检索相似性 similary，再混合检索（bm25+相似）得到 50w 字左右上下文参考

10条问题

data/test_doc_question.json 在 10 条问题上，使用前 100 章的问题，表现为 80-90%。

在 10 条问题三，使用全部章节，表现为 70-80%。因为内容多了，检索的东西会不一样且受问题影响。

例如：萧炎遇见的神秘老者是谁？

在前 100 章明显是药老，但全文不一定了，神秘老者可能多次出现，如岩浆下的老者等。问得范围太大了。

15条问题

data/doc_question.json 80-86.6% 浮动

局限性

这个属于常见的 RAG 方法，字数分块，然后检索相关内容，然后生成答案。 但通过这个检索检索会有一下局限性：

1. 具有关联关系的问题是回答不出来的，如问题“萧炎在风雷大会上遇见的迦南学院的熟人是谁？”

检索回来可能是迦南学院有关的人，但不全，不能结合风雷大会去回答。

2. 例如“萧炎老婆是谁？”这小说并没有明确写出‘萧炎的老婆是xxx’这种话，但读者们都知道他老婆的谁

3. 上下文理解少，比如“萧炎晋级斗尊前跟谁打架了？”能找到晋级的那一章，但是跟谁打架了，这是需要前面的剧情的理解的，这并不会检索回来，所以跟问题有关的 上下文不太适合这种 RAG。适合检索某个片段然后回答这个片段的问题。

4. 生成的回答，及检索的内容受问题影响，如上面说的“神秘老者”的问题，问题月具体效果越好。

代码

data 是数据文件，运行相关代码生成数据 llm 是大模型调用文件夹 rag 是检索召回，分块等代码 spider.py 爬虫代码 run_embedding_to_vector_all_doc.py 向量化生成整部小说的代码 run_embedding_to_vector_test_doc.py 测试前 100 章向量生成的代码 run_answer.py 回答主流程代码

langgraph.py 是实验 grapy rag 的效果，使用 langgraph，15 个相同的问题，从结果上来看，没有传统的好。 可能是工程节点之类的也简单，要用图形语言来描述，代码斌复杂，且理解比较困难了。