尧图网站建设 
AI模型推理服务推理引擎本地部署多模态【免费下载链接】runanywhere-sdksProduction ready toolkit to run AI locally项目地址https://gitcode.com/gh_mirrors/ru/runanywhere-sdks点击查看免费下载导读本文以 core/tests/data/rag_sample.md 这份位于 RunAnywhere 核心仓库测试数据目录下的示例文档为切入点深入剖析 RunAnywhere 本地检索增强生成RAG能力的完整技术链路从文档分块、向量化索引、混合检索、上下文组装到 LLM 生成再到内容寻址去重、会话级阈值覆盖、文档作用域隔离等进阶能力。读完本文你将掌握 RunAnywhere RAG 会话的配置参数语义、Python SDK 的实际调用方式以及这套能力在仓库测试与端到端验证中的真实工作方式。1. 这份测试语料是什么为什么值得关注rag_sample.md是一份精心构造的虚构文档讲述了一个名为Zephyr Protocol西风协议的设备端数据同步标准。它虽然不是真实技术规范但在 RunAnywhere 仓库中扮演着重要角色——它是 RAG 端到端测试的标准输入语料。从文档结构看它包含了 RAG 测试所需的全部理想要素明确的主题标题# The Zephyr Protocol便于检索系统建立清晰的语义锚点分节组织的内容Core design、Conflict resolution、Security、Adoption四个小节覆盖 4096 字节定长帧、内容寻址去重、ADVERTISE/REQUEST/DELIVER 三阶段握手、混合逻辑时钟冲突解决、HKDF 派生密钥加密等具体技术细节可回答的事实性内容例如同一帧永远不会被重复传输content-addressed design、Breeze 用 Rust 编写并以单一静态库发布等这些都能作为接地grounded回答的验证点可被检索命中的专属词汇如Zephyr、Meridian、Breeze、HKDF等方便测试断言检索结果确实来自目标文档。在 core/tests/test_rag_e2e.cpp 中这段文本被读取为doc_text作为问答与检索断言的唯一数据源而 core/tests/CMakeLists.txt 通过编译期宏RAG_SAMPLE_DOC_PATH将该文件路径注入测试程序。理解这份语料的构造思路也就理解了 RunAnywhere RAG 测试的设计哲学用一个可控、自包含、信息密度高的语料去验证整套检索生成管线的正确性。2. RAG 管道全景一份文档从 ingest 到 answer 的旅程RunAnywhere 的 RAG 能力由 C 核心core/src/features/rag/目录实现通过 proto ABI 暴露给各语言 SDK。以rag_sample.md为例一份文档的完整旅程如下2.1 分块Chunking文档首先被 DocumentChunker 切分为带重叠的文本块。分块配置由 ChunkerConfig 定义配置项默认值说明chunk_size180内部 / 512proto 层默认每个块的近似 token 数chunk_overlap30内部 / 64proto 层默认相邻块之间的重叠 token 数chars_per_token4token 计数的粗略字符估算分块采用递归切分 句子边界优先策略rag_chunker.cpp优先在分隔符如空行、句号、空格处断开避免从句子中间截断当某一段仍超过块预算时再递归细分最后通过append_utf8_bounded_slices保证切分点永远落在 UTF-8 字符边界上不会把多字节字符拦腰截断——这一点对中文等多字节语言尤其关键test_rag_e2e.cpp 专门用 CJK 文本回归验证了该行为。2.2 向量化与索引Embedding Indexing每个块经 ONNX 嵌入模型测试中为all-MiniLM-L6-v2编码为向量写入 VectorStoreUSearch 向量库同时块文本被送入 BM25Index 构建稀疏关键词索引BM25 参数k11.2、b0.75。两者构成稠密 稀疏的混合索引为后续混合检索做准备。2.3 混合检索Hybrid Retrieval查询时管线同时执行向量相似度检索与 BM25 关键词检索然后用RRFReciprocal Rank Fusion融合两组结果。注意 rag.proto 中明确说明返回的score是融合后的稠密 BM25RRF分数而非原始余弦相似度且已归一化到 0..1。2.4 上下文组装与生成Context Assembly Generation融合后的 Top-k 块按max_context_tokens预算组装进提示模板最终交给 LLM 生成接地回答。默认模板定义在 rag_backend.hContext: {context} Question: {query} Answer:RAGBackend 是整个管线的编排器orchestrator它接收预先创建好的 LLM 服务与嵌入服务句柄完成分块 → 嵌入 → 向量检索 → 自适应上下文累积 → 生成的全流程且所有操作线程安全。3. 配置参数全解proto 定义、默认值与校验逻辑RAG 会话的核心配置集中在 idl/rag.proto 的RAGConfiguration消息中其默认值通过rac_default注解声明由 build_backend_config 统一映射到 C 内部结构。关键参数如下字段类型默认值约束说明embedding_model_idstring必填—嵌入模型在全局模型注册表中的 IDllm_model_idstring必填—生成用 LLM 的注册表 IDembedding_dimensionint320自动≥10 表示自动探测嵌入模型输出维度top_kint325≥1检索深度不是采样 top-kscore_thresholdfloat0.00.0–1.0低于此分的命中被丢弃0.0 不过滤chunk_sizeint32512≥1每块 token 数chunk_overlapint32640 ≤ overlap chunk_size相邻块重叠 token 数max_context_tokensint322048—组装上下文的最大 token 预算prompt_templatestring见上文—上下文 问题组装模板embedding_config_jsonstring——嵌入模型附加配置如 vocab 路径rerank_resultsboolfalse—是否用会话 LLM 对检索结果做 pointwise 重排validate_rag_configuration 对以上参数做了严格的合法性校验top_k 1、score_threshold超出 [0,1] 或非有限值、chunk_size 1、chunk_overlap 0、chunk_overlap chunk_size都会返回带具体错误信息的失败结果。一个值得注意的实现细节proto3 的可选字段optional语义是字段存在 调用方显式覆盖因此显式传chunk_overlap0无重叠会被忠实保留而不会回退到结构体默认值见 rac_rag_proto_abi.cpp 的注释说明。关于相似度阈值还有一个易踩的坑源码注释明确指出rag_backend.hMiniLM 这类嵌入模型的余弦相似度通常不会超过约 0.5分块又进一步降低了单块相似度因此设置任何正数阈值都可能把真实匹配全部过滤掉。默认 0.0全接受正是基于这一事实的设计用top_k来约束结果数量而非相似度门槛。4. 查询侧能力检索选项、多查询扩展与作用域隔离RAGRetrievalOptionsrag.proto定义了每次查询的检索覆盖项未设置的字段自动继承会话级配置top_k本次调用的检索深度score_threshold本次调用的相似度下限显式覆盖会话级阈值下文第 6 节有测试验证enable_multi_query/multi_query_count多查询扩展——把原始问题改写成多个措辞并行检索再合并结果默认改写 3 个1–8 范围要求会话配置了 LLMscope_prefix文档 ID 前缀作用域——只保留document id以该前缀开头的块实现多语料库隔离检索。完整的查询入口封装在RAGQueryOptionsrag.proto中query必填retrieval携带上述检索覆盖generation复用LLMGenerationOptions如max_output_tokens、temperature。此外还区分了两类查询接口rag.query()/rac_rag_query_proto检索 生成返回带answer与retrieved_chunks的RAGResultrag.search()/rac_rag_search_proto仅检索不生成返回RAGSearchResponse块列表见 rag.proto 的设计注释。5. Python SDK 实战把rag_sample.md式的文档变成可问答的知识库RunAnywhere Python SDK 将上述原生能力封装为rag命名空间bindings/python/runanywhere/api/rag.py核心对象是RagSession。参考仓库自带的 bindings/python/example/rag.py一个完整的打开会话 → 灌入文档 → 检索 → 问答流程如下import runanywhere as ra from runanywhere import LlmOptions, ModelRef, RagConfig, RagDocument EMBEDDER minilm # 嵌入模型 LLM_ID smollm2-135m # 生成模型 # 1. 以文档列表形式打开 RAG 会话并配置分块与检索参数 with ra.rag.open( ModelRef(EMBEDDER), ModelRef(LLM_ID), RagConfig(top_k2, chunk_size256, chunk_overlap32), ) as session: # 2. 灌入文档此处以 rag_sample.md 的内容为例 with open(rag_sample.md, encodingutf-8) as f: doc_text f.read() session.ingest([RagDocument(doc_text, idzephyr-protocol)]) # 3. 查看索引统计 stats session.stats() print(fingested {stats.document_count} documents ({stats.chunk_count} chunks)) # 4. 纯检索不生成只看命中 for match in session.search(How does Zephyr avoid duplicate frames?, top_k2): print(f {match.score:.2f} {match.text[:70]}...) # 5. 问答检索 生成 result session.query( How does the Zephyr Protocol avoid transmitting the same data twice?, LlmOptions(max_output_tokens96, temperature0.2), ) print(fanswer: {result.answer.strip()}) for source in result.sources: print(f source (score {source.score:.2f}): {source.text[:70]}...) # 6. 流式问答逐 token 输出结束事件携带来源 for event in session.query_stream( What is Breeze?, LlmOptions(max_output_tokens64, temperature0.2) ): if event.is_token: print(event.text, end, flushTrue) elif event.is_completed and event.result is not None: print(f\n[{len(event.result.sources)} sources]) ra.reset() # 释放原生运行时对应的高层配置类在 bindings/python/runanywhere/options.py 中定义RagConfig会话级top_k5、chunk_size512、chunk_overlap64、similarity_thresholdNone、persist_pathNone、RagRetrievalOptions查询级top_k与similarity_threshold覆盖、RagQueryOptions组合retrieval与generation。这些默认值与idl/rag.proto中的rac_default注解完全对齐保证各语言 SDK 行为一致。注意Python 示例中的文档内容也可以直接采用rag_sample.md的正文——这份测试语料本身就是一个结构良好的知识库样本。运行前需先通过initialize_from_env()或环境变量注册好嵌入模型与 LLM 的本地路径。6. 测试如何验证这一切内容寻址去重、阈值覆盖与作用域隔离test_rag_e2e.cpp 是理解 RAG 行为规范的活文档。它用真实 ONNX 嵌入模型all-MiniLM-L6-v2与 GGUF LLM通过 proto 字节 ABIrac_rag_session_create_proto/rac_rag_ingest_proto/rac_rag_query_proto驱动完整会话并以rag_sample.md为语料断言多项关键行为6.1 内容寻址去重Content-Addressed Deduprun_dedup_casetest_rag_e2e.cpp验证同一份文档重复 ingest 不会产生重复块。第一次 ingest 产生 N 个块第二次用不同文档 ID 灌入相同文本块数保持 N 不变——说明索引内部对相同内容做了哈希去重避免了重复嵌入re-embed的算力浪费。这与rag_sample.md中 Zephyr 协议同一帧永不重复传输的内容寻址思想形成了有趣的呼应。6.2 查询级阈值覆盖Threshold Overriderun_threshold_override_casetest_rag_e2e.cpp验证会话级设置score_threshold0.95会把所有结果过滤掉MiniLM 余弦相似度达不到这么高此时在查询级显式传score_threshold0.0覆盖结果恢复而不传覆盖时会话级门槛依然生效。这直接验证了第 4 节所述查询覆盖优先、未覆盖则继承会话的优先级规则。6.3 文档作用域隔离Scoped Retrievalrun_scoping_casetest_rag_e2e.cpp验证向同一会话灌入zephyr:docZephyr 语料与kelp:doc一份含独特标记词 Kelp 的无关文档查询时通过scope_prefixkelp:限定作用域——断言返回的块全部来自 Kelp 文档没有任何 Zephyr 块泄漏。这就是多知识库共存于同一会话时的隔离机制。6.4 管线变体对照基线用例之外测试还覆盖了rerank_resultstrueLLM pointwise 重排与enable_multi_querytrue多查询扩展两条管线变体均要求产出非空答案 至少一个检索块。所有用例共用同一个问题How does the Zephyr Protocol avoid transmitting the same data twice?——该问题与rag_sample.md中content-addressed design means the same frame is never transmitted twice一句形成直接的事实对应用于验证生成的答案确实来自语料。测试还支持通过环境变量覆盖模型路径RAG_TEST_EMBED_MODEL、RAG_TEST_EMBED_VOCAB、RAG_TEST_LLM_MODEL、RAG_TEST_SAMPLE_DOC当模型文件缺失时测试优雅跳过返回 0保证在任意构建环境下注册测试都安全见 test_rag_e2e.cpp 与 core/tests/CMakeLists.txt。7. 会话生命周期与更多数据结构除检索生成外proto ABI 还定义了完整的会话生命周期与数据结构文档管理RAGDocumentrag.proto携带调用方持有的稳定id、text、metadata与source_uri写入每个块的source元数据重新 ingest 相同 ID 会替换该文档的旧块。RAGDeleteRequest/RAGDeleteResponserag.proto支持按文档 ID 删除返回删除块数与未命中的 ID非错误。统计信息RAGStatisticsrag.proto返回indexed_documents、indexed_chunks、total_tokens_indexed、last_updated_ms与vector_store_size_bytes索引占用的字节数。查询结果RAGResultrag.proto包含answer、retrieved_chunks、context_used、独立的retrieval_time_ms/generation_time_ms计时直接测量而非相减得出、request_id、thinking_content与 Token 用量usage。RAGSearchResult还提供start_offset/end_offset字符偏移可回指源文档原文位置rag.proto。流式输出RAGStreamEventrag.proto按 token 增量推送RAG_STREAM_EVENT_KIND_TOKEN结束时推送携带完整RAGResult的COMPLETED错误时推送ERROR时间戳单位为微秒。8. 从测试语料到生产实践的要点总结语料设计即测试设计一份像rag_sample.md这样主题集中、事实密集、含专属词汇的样本能让检索断言命中来源与生成断言答案接地都变得可验证、可复现参数默认值有讲究score_threshold默认 0.0、top_k默认 5、chunk_size512 /chunk_overlap64 是经 MiniLM 类嵌入模型实际特性权衡后的结果改动前请先理解第 3 节的原理去重与隔离是开箱即用内容寻址去重避免了重复嵌入的浪费scope_prefix让单会话多语料库成为可能查询覆盖优先于会话配置每次调用都可以用RAGRetrievalOptions精确覆盖top_k与score_threshold实现细粒度的行为控制验证闭环test_rag_e2e.cpp 覆盖了基线、重排、多查询、去重、阈值覆盖、作用域隔离六类场景是生产接入前最值得通读的规范文档。相关资源测试语料core/tests/data/rag_sample.md端到端测试core/tests/test_rag_e2e.cpp测试注册与编译宏core/tests/CMakeLists.txtIDL 定义idl/rag.proto分块实现core/src/features/rag/rag_chunker.h 与 rag_chunker.cpp管线编排core/src/features/rag/rag_backend.hProto ABI 与配置校验core/src/features/rag/rac_rag_proto_abi.cppBM25 稀疏索引core/src/features/rag/bm25_index.hPython SDK 示例bindings/python/example/rag.pyPython SDK 实现bindings/python/runanywhere/api/rag.py 与 options.py赞分享AI模型推理服务推理引擎本地部署多模态【免费下载链接】runanywhere-sdksProduction ready toolkit to run AI locally项目地址https://gitcode.com/gh_mirrors/ru/runanywhere-sdks点击查看免费下载相关推荐all-rag-techniques探索检索增强生成技术的实践之路all rag techniques探索检索增强生成技术的实践之路 在自然语言处理领域检索增强生成Retrieval Augmented Generati示例工程人工智能RAG如何永久保存微信聊天记录WeChatMsg一站式数据管理解决方案如何永久保存微信聊天记录WeChatMsg一站式数据管理解决方案 你是否曾担心珍贵的微信聊天记录会因手机丢失而永远消失那些与亲友的温馨对话、重要的工作沟通、Transformers RAG 模型完全指南从检索增强架构、RagRetriever 配置到 RAG-Sequence/RAG-Token 生成实现Transformers RAG 模型完全指南从检索增强架构、RagRetriever 配置到 RAG Sequence/RAG Token 生成实现 本篇技人工智能深度学习机器学习预训练微调NLP计算机视觉语音多模态上一篇ARIS 项目 serverless-modal Skill 实战基于 Modal 云 GPU 的训练、推理与成本控制全指南下一篇如何用 bashtop 揪出内存杀手进程过滤、排序与树形视图的实战工作流创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 RunAnywhere 本地 RAG 端到端实践：从 RAG 测试语料看检索增强生成的完整链路
AI模型推理服务推理引擎本地部署多模态【免费下载链接】runanywhere-sdksProduction ready toolkit to run AI locally项目地址https://gitcode.com/gh_mirrors/ru/runanywhere-sdks点击查看免费下载导读本文以 core/tests/data/rag_sample.md 这份位于 RunAnywhere 核心仓库测试数据目录下的示例文档为切入点深入剖析 RunAnywhere 本地检索增强生成RAG能力的完整技术链路从文档分块、向量化索引、混合检索、上下文组装到 LLM 生成再到内容寻址去重、会话级阈值覆盖、文档作用域隔离等进阶能力。读完本文你将掌握 RunAnywhere RAG 会话的配置参数语义、Python SDK 的实际调用方式以及这套能力在仓库测试与端到端验证中的真实工作方式。1. 这份测试语料是什么为什么值得关注rag_sample.md是一份精心构造的虚构文档讲述了一个名为Zephyr Protocol西风协议的设备端数据同步标准。它虽然不是真实技术规范但在 RunAnywhere 仓库中扮演着重要角色——它是 RAG 端到端测试的标准输入语料。从文档结构看它包含了 RAG 测试所需的全部理想要素明确的主题标题# The Zephyr Protocol便于检索系统建立清晰的语义锚点分节组织的内容Core design、Conflict resolution、Security、Adoption四个小节覆盖 4096 字节定长帧、内容寻址去重、ADVERTISE/REQUEST/DELIVER 三阶段握手、混合逻辑时钟冲突解决、HKDF 派生密钥加密等具体技术细节可回答的事实性内容例如同一帧永远不会被重复传输content-addressed design、Breeze 用 Rust 编写并以单一静态库发布等这些都能作为接地grounded回答的验证点可被检索命中的专属词汇如Zephyr、Meridian、Breeze、HKDF等方便测试断言检索结果确实来自目标文档。在 core/tests/test_rag_e2e.cpp 中这段文本被读取为doc_text作为问答与检索断言的唯一数据源而 core/tests/CMakeLists.txt 通过编译期宏RAG_SAMPLE_DOC_PATH将该文件路径注入测试程序。理解这份语料的构造思路也就理解了 RunAnywhere RAG 测试的设计哲学用一个可控、自包含、信息密度高的语料去验证整套检索生成管线的正确性。2. RAG 管道全景一份文档从 ingest 到 answer 的旅程RunAnywhere 的 RAG 能力由 C 核心core/src/features/rag/目录实现通过 proto ABI 暴露给各语言 SDK。以rag_sample.md为例一份文档的完整旅程如下2.1 分块Chunking文档首先被 DocumentChunker 切分为带重叠的文本块。分块配置由 ChunkerConfig 定义配置项默认值说明chunk_size180内部 / 512proto 层默认每个块的近似 token 数chunk_overlap30内部 / 64proto 层默认相邻块之间的重叠 token 数chars_per_token4token 计数的粗略字符估算分块采用递归切分 句子边界优先策略rag_chunker.cpp优先在分隔符如空行、句号、空格处断开避免从句子中间截断当某一段仍超过块预算时再递归细分最后通过append_utf8_bounded_slices保证切分点永远落在 UTF-8 字符边界上不会把多字节字符拦腰截断——这一点对中文等多字节语言尤其关键test_rag_e2e.cpp 专门用 CJK 文本回归验证了该行为。2.2 向量化与索引Embedding Indexing每个块经 ONNX 嵌入模型测试中为all-MiniLM-L6-v2编码为向量写入 VectorStoreUSearch 向量库同时块文本被送入 BM25Index 构建稀疏关键词索引BM25 参数k11.2、b0.75。两者构成稠密 稀疏的混合索引为后续混合检索做准备。2.3 混合检索Hybrid Retrieval查询时管线同时执行向量相似度检索与 BM25 关键词检索然后用RRFReciprocal Rank Fusion融合两组结果。注意 rag.proto 中明确说明返回的score是融合后的稠密 BM25RRF分数而非原始余弦相似度且已归一化到 0..1。2.4 上下文组装与生成Context Assembly Generation融合后的 Top-k 块按max_context_tokens预算组装进提示模板最终交给 LLM 生成接地回答。默认模板定义在 rag_backend.hContext: {context} Question: {query} Answer:RAGBackend 是整个管线的编排器orchestrator它接收预先创建好的 LLM 服务与嵌入服务句柄完成分块 → 嵌入 → 向量检索 → 自适应上下文累积 → 生成的全流程且所有操作线程安全。3. 配置参数全解proto 定义、默认值与校验逻辑RAG 会话的核心配置集中在 idl/rag.proto 的RAGConfiguration消息中其默认值通过rac_default注解声明由 build_backend_config 统一映射到 C 内部结构。关键参数如下字段类型默认值约束说明embedding_model_idstring必填—嵌入模型在全局模型注册表中的 IDllm_model_idstring必填—生成用 LLM 的注册表 IDembedding_dimensionint320自动≥10 表示自动探测嵌入模型输出维度top_kint325≥1检索深度不是采样 top-kscore_thresholdfloat0.00.0–1.0低于此分的命中被丢弃0.0 不过滤chunk_sizeint32512≥1每块 token 数chunk_overlapint32640 ≤ overlap chunk_size相邻块重叠 token 数max_context_tokensint322048—组装上下文的最大 token 预算prompt_templatestring见上文—上下文 问题组装模板embedding_config_jsonstring——嵌入模型附加配置如 vocab 路径rerank_resultsboolfalse—是否用会话 LLM 对检索结果做 pointwise 重排validate_rag_configuration 对以上参数做了严格的合法性校验top_k 1、score_threshold超出 [0,1] 或非有限值、chunk_size 1、chunk_overlap 0、chunk_overlap chunk_size都会返回带具体错误信息的失败结果。一个值得注意的实现细节proto3 的可选字段optional语义是字段存在 调用方显式覆盖因此显式传chunk_overlap0无重叠会被忠实保留而不会回退到结构体默认值见 rac_rag_proto_abi.cpp 的注释说明。关于相似度阈值还有一个易踩的坑源码注释明确指出rag_backend.hMiniLM 这类嵌入模型的余弦相似度通常不会超过约 0.5分块又进一步降低了单块相似度因此设置任何正数阈值都可能把真实匹配全部过滤掉。默认 0.0全接受正是基于这一事实的设计用top_k来约束结果数量而非相似度门槛。4. 查询侧能力检索选项、多查询扩展与作用域隔离RAGRetrievalOptionsrag.proto定义了每次查询的检索覆盖项未设置的字段自动继承会话级配置top_k本次调用的检索深度score_threshold本次调用的相似度下限显式覆盖会话级阈值下文第 6 节有测试验证enable_multi_query/multi_query_count多查询扩展——把原始问题改写成多个措辞并行检索再合并结果默认改写 3 个1–8 范围要求会话配置了 LLMscope_prefix文档 ID 前缀作用域——只保留document id以该前缀开头的块实现多语料库隔离检索。完整的查询入口封装在RAGQueryOptionsrag.proto中query必填retrieval携带上述检索覆盖generation复用LLMGenerationOptions如max_output_tokens、temperature。此外还区分了两类查询接口rag.query()/rac_rag_query_proto检索 生成返回带answer与retrieved_chunks的RAGResultrag.search()/rac_rag_search_proto仅检索不生成返回RAGSearchResponse块列表见 rag.proto 的设计注释。5. Python SDK 实战把rag_sample.md式的文档变成可问答的知识库RunAnywhere Python SDK 将上述原生能力封装为rag命名空间bindings/python/runanywhere/api/rag.py核心对象是RagSession。参考仓库自带的 bindings/python/example/rag.py一个完整的打开会话 → 灌入文档 → 检索 → 问答流程如下import runanywhere as ra from runanywhere import LlmOptions, ModelRef, RagConfig, RagDocument EMBEDDER minilm # 嵌入模型 LLM_ID smollm2-135m # 生成模型 # 1. 以文档列表形式打开 RAG 会话并配置分块与检索参数 with ra.rag.open( ModelRef(EMBEDDER), ModelRef(LLM_ID), RagConfig(top_k2, chunk_size256, chunk_overlap32), ) as session: # 2. 灌入文档此处以 rag_sample.md 的内容为例 with open(rag_sample.md, encodingutf-8) as f: doc_text f.read() session.ingest([RagDocument(doc_text, idzephyr-protocol)]) # 3. 查看索引统计 stats session.stats() print(fingested {stats.document_count} documents ({stats.chunk_count} chunks)) # 4. 纯检索不生成只看命中 for match in session.search(How does Zephyr avoid duplicate frames?, top_k2): print(f {match.score:.2f} {match.text[:70]}...) # 5. 问答检索 生成 result session.query( How does the Zephyr Protocol avoid transmitting the same data twice?, LlmOptions(max_output_tokens96, temperature0.2), ) print(fanswer: {result.answer.strip()}) for source in result.sources: print(f source (score {source.score:.2f}): {source.text[:70]}...) # 6. 流式问答逐 token 输出结束事件携带来源 for event in session.query_stream( What is Breeze?, LlmOptions(max_output_tokens64, temperature0.2) ): if event.is_token: print(event.text, end, flushTrue) elif event.is_completed and event.result is not None: print(f\n[{len(event.result.sources)} sources]) ra.reset() # 释放原生运行时对应的高层配置类在 bindings/python/runanywhere/options.py 中定义RagConfig会话级top_k5、chunk_size512、chunk_overlap64、similarity_thresholdNone、persist_pathNone、RagRetrievalOptions查询级top_k与similarity_threshold覆盖、RagQueryOptions组合retrieval与generation。这些默认值与idl/rag.proto中的rac_default注解完全对齐保证各语言 SDK 行为一致。注意Python 示例中的文档内容也可以直接采用rag_sample.md的正文——这份测试语料本身就是一个结构良好的知识库样本。运行前需先通过initialize_from_env()或环境变量注册好嵌入模型与 LLM 的本地路径。6. 测试如何验证这一切内容寻址去重、阈值覆盖与作用域隔离test_rag_e2e.cpp 是理解 RAG 行为规范的活文档。它用真实 ONNX 嵌入模型all-MiniLM-L6-v2与 GGUF LLM通过 proto 字节 ABIrac_rag_session_create_proto/rac_rag_ingest_proto/rac_rag_query_proto驱动完整会话并以rag_sample.md为语料断言多项关键行为6.1 内容寻址去重Content-Addressed Deduprun_dedup_casetest_rag_e2e.cpp验证同一份文档重复 ingest 不会产生重复块。第一次 ingest 产生 N 个块第二次用不同文档 ID 灌入相同文本块数保持 N 不变——说明索引内部对相同内容做了哈希去重避免了重复嵌入re-embed的算力浪费。这与rag_sample.md中 Zephyr 协议同一帧永不重复传输的内容寻址思想形成了有趣的呼应。6.2 查询级阈值覆盖Threshold Overriderun_threshold_override_casetest_rag_e2e.cpp验证会话级设置score_threshold0.95会把所有结果过滤掉MiniLM 余弦相似度达不到这么高此时在查询级显式传score_threshold0.0覆盖结果恢复而不传覆盖时会话级门槛依然生效。这直接验证了第 4 节所述查询覆盖优先、未覆盖则继承会话的优先级规则。6.3 文档作用域隔离Scoped Retrievalrun_scoping_casetest_rag_e2e.cpp验证向同一会话灌入zephyr:docZephyr 语料与kelp:doc一份含独特标记词 Kelp 的无关文档查询时通过scope_prefixkelp:限定作用域——断言返回的块全部来自 Kelp 文档没有任何 Zephyr 块泄漏。这就是多知识库共存于同一会话时的隔离机制。6.4 管线变体对照基线用例之外测试还覆盖了rerank_resultstrueLLM pointwise 重排与enable_multi_querytrue多查询扩展两条管线变体均要求产出非空答案 至少一个检索块。所有用例共用同一个问题How does the Zephyr Protocol avoid transmitting the same data twice?——该问题与rag_sample.md中content-addressed design means the same frame is never transmitted twice一句形成直接的事实对应用于验证生成的答案确实来自语料。测试还支持通过环境变量覆盖模型路径RAG_TEST_EMBED_MODEL、RAG_TEST_EMBED_VOCAB、RAG_TEST_LLM_MODEL、RAG_TEST_SAMPLE_DOC当模型文件缺失时测试优雅跳过返回 0保证在任意构建环境下注册测试都安全见 test_rag_e2e.cpp 与 core/tests/CMakeLists.txt。7. 会话生命周期与更多数据结构除检索生成外proto ABI 还定义了完整的会话生命周期与数据结构文档管理RAGDocumentrag.proto携带调用方持有的稳定id、text、metadata与source_uri写入每个块的source元数据重新 ingest 相同 ID 会替换该文档的旧块。RAGDeleteRequest/RAGDeleteResponserag.proto支持按文档 ID 删除返回删除块数与未命中的 ID非错误。统计信息RAGStatisticsrag.proto返回indexed_documents、indexed_chunks、total_tokens_indexed、last_updated_ms与vector_store_size_bytes索引占用的字节数。查询结果RAGResultrag.proto包含answer、retrieved_chunks、context_used、独立的retrieval_time_ms/generation_time_ms计时直接测量而非相减得出、request_id、thinking_content与 Token 用量usage。RAGSearchResult还提供start_offset/end_offset字符偏移可回指源文档原文位置rag.proto。流式输出RAGStreamEventrag.proto按 token 增量推送RAG_STREAM_EVENT_KIND_TOKEN结束时推送携带完整RAGResult的COMPLETED错误时推送ERROR时间戳单位为微秒。8. 从测试语料到生产实践的要点总结语料设计即测试设计一份像rag_sample.md这样主题集中、事实密集、含专属词汇的样本能让检索断言命中来源与生成断言答案接地都变得可验证、可复现参数默认值有讲究score_threshold默认 0.0、top_k默认 5、chunk_size512 /chunk_overlap64 是经 MiniLM 类嵌入模型实际特性权衡后的结果改动前请先理解第 3 节的原理去重与隔离是开箱即用内容寻址去重避免了重复嵌入的浪费scope_prefix让单会话多语料库成为可能查询覆盖优先于会话配置每次调用都可以用RAGRetrievalOptions精确覆盖top_k与score_threshold实现细粒度的行为控制验证闭环test_rag_e2e.cpp 覆盖了基线、重排、多查询、去重、阈值覆盖、作用域隔离六类场景是生产接入前最值得通读的规范文档。相关资源测试语料core/tests/data/rag_sample.md端到端测试core/tests/test_rag_e2e.cpp测试注册与编译宏core/tests/CMakeLists.txtIDL 定义idl/rag.proto分块实现core/src/features/rag/rag_chunker.h 与 rag_chunker.cpp管线编排core/src/features/rag/rag_backend.hProto ABI 与配置校验core/src/features/rag/rac_rag_proto_abi.cppBM25 稀疏索引core/src/features/rag/bm25_index.hPython SDK 示例bindings/python/example/rag.pyPython SDK 实现bindings/python/runanywhere/api/rag.py 与 options.py赞分享AI模型推理服务推理引擎本地部署多模态【免费下载链接】runanywhere-sdksProduction ready toolkit to run AI locally项目地址https://gitcode.com/gh_mirrors/ru/runanywhere-sdks点击查看免费下载相关推荐all-rag-techniques探索检索增强生成技术的实践之路all rag techniques探索检索增强生成技术的实践之路 在自然语言处理领域检索增强生成Retrieval Augmented Generati示例工程人工智能RAG如何永久保存微信聊天记录WeChatMsg一站式数据管理解决方案如何永久保存微信聊天记录WeChatMsg一站式数据管理解决方案 你是否曾担心珍贵的微信聊天记录会因手机丢失而永远消失那些与亲友的温馨对话、重要的工作沟通、Transformers RAG 模型完全指南从检索增强架构、RagRetriever 配置到 RAG-Sequence/RAG-Token 生成实现Transformers RAG 模型完全指南从检索增强架构、RagRetriever 配置到 RAG Sequence/RAG Token 生成实现 本篇技人工智能深度学习机器学习预训练微调NLP计算机视觉语音多模态上一篇ARIS 项目 serverless-modal Skill 实战基于 Modal 云 GPU 的训练、推理与成本控制全指南下一篇如何用 bashtop 揪出内存杀手进程过滤、排序与树形视图的实战工作流创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考