阿里云 AI 搜索的产品能力与业务价值
阿里云 AI 搜索的方案，基于阿里云 Elasticsearch Inference API，可以结合阿里云自研的 AI 模型服务，灵活的搭建语义搜索或者是 RAG 链路。AI 搜索可以基于 ES 语法进行灵活的编排，易用性更高。
直接使用大模型去进行语义搜索，不仅有成本的问题，还会有准确性的问题。阿里云 AI 搜索 RAG 全链路，不论是对文本的解析处理，还是切分、向量化，以及混合检索，其实都是为了提升搜索的准确率。通过提升搜索的准确率，拿到最精准的结果，然后再组成 Prompt 给到大模型，来提升准确性。这里我们如果仅使用大模型加向量检索，仅仅能达到 40% 的准确率，通过全链路的优化能够提升到 90% 乃至 95%，这就是检索增强优化带来的价值。
在下面的图示中，是搭建 RAG 全链路的流程，主要分为 2 个链路：
第一步，是数据写入流程。我们可以对多样化的数据进行解析理解，抽取出文档的结构，然后采用文档切分模型对内容进行语义的切分，生成语义切片树，然后基于自研的向量化模型，将切分后的文档片段生成稠密向量以及稀疏向量。然后在 ES 引擎中构建对应的索引。
第二步，就是在线查询的流程。用户输入问题后，首先使用查询分析模型来理解用户的意图，同时对输入的内容进行语义的扩充、做省略补充等操作。然后调用同样的向量化模型生成稠密和稀疏向量。在 ES 引擎中进行 3 路混合检索，以及 RRF 融合排序，最后召回最相关的 TOP N 内容片段。此时，可以引入重排模型，做进一步的排序来提升 TOP 结果的相关性。结合用户的问题以及检索的结果，组成 prompt 给到大模型进行答案的生成。
最后，完成 RAG 全链路后，可以使用测评服务进行效果的评估。
RAG 在各行业领域的应用实践
目前在各个场景中都有 RAG 的应用，这里罗列的内容更偏向 to C 的场景，比如内容问答的场景，在一些技术社区已经有了问答式搜索的实践。还有企业知识库问答场景，这个也是目前应用最广泛的一个场景，可以基于企业内部知识库进行智能问答。
电商的导购场景，应用于商品售前环节，传统方式需要维护大量的问答对，来匹配到用户的问题。同时很难理解用户问题的意图，难以给到比较理想的答案。使用传统方式，其实很容易发现在跟机器人交流，回复也非常的生硬。基于大模型在电商导购这个场景，可以赋予更人性化的角色来进行回复。
最后教育场景，在 K12 的教育，或其他成人的教育场景中，往往会有非常多的知识，使用 RAG 方案，可以很快给出题目的答案和解题过程。
除了 C 端的场景之外，还会有一些智能运维、开发的场景都可以应用。这也是我们后续需要去持续探索的方向，可以在更多的场景中有更好的实践。
电商导购与多模态场景应用 Demo
接下来为大家演示下电商导购的 demo，这里提前录入了一些商品的数据，作为基础的知识库。
我们咨询第一个问题，需要购买一个女士领带，很快，这里给出了一款领带的推荐。接着继续追问，领带支持机洗嘛？这里根据知识库的数据依然给出了答复。紧接着，需要让系统帮忙推荐一款大衣。这里给出了 2 款大衣的推荐，告知了身高体重后，系统回复了适合用户穿的码数。在这个 demo 中有商品选型的咨询，还有一些追问，模型都可以根据实际的数据给出有效的答案，解决用户的问题，同时整体体验过程也比较流畅。
接下来我们看几个多模态的场景，这也是我们后续即将发布的能力。这里是一个图书多模态问答场景，采用的数据是图书的封面图片。问题是：适合儿童的书？在这里可以看到，首先给出的是一段文本的回答内容，推荐了对应的儿童书籍。同时，还有对应的参考链接。最下面显示了相关的参考图片。在这个 case 中，由于底层数据是纯图片的，因此需要先对图片内容进行解析理解，抽取出对应的文本描述，生成索引。当用户提出问题时，会在已经解析好的文本内容中进行检索，然后给出对应的答案。
