-
Chonkie：开源、轻量、极速的 RAG 分块神器 🦛
在不断扩展的大模型上下文里，分块不仅是技术需求，更是确保模型效率的关键手段。然而，面对大部分冗杂的分块工具，不少开发者需要更直接、更有效的解决方案。这时，Chonkie — 一款专为分块任务设计的轻量工具 — 应运而生，成为了 RAG 应用开发中的绝佳帮手。为什么需要分块？随着语言模型能够处理的上下文不断增加，在提供丰富上下文的同时也带来了计算速度与内存开销的挑战。通过分块，…- 6
- 0
-
阿里云知识存储 Skill 上架阿里云官网首批 Agent Skill：让智能体拥有企业级知识库
知识库和 RAG 的概念已经流行了一段时间，很多团队都已经落地了自己的知识库系统。但随着规模扩大，技术债也开始显现：向量库选型纠结了一个月，部署又踩了无数坑，运维成本远超预期，当文档量从几千增长到几百万时，发现原来的架构根本撑不住。 在这种"知易行难"的技术浪潮中，一种普遍的焦虑正在蔓延：大模型再聪明，它也不懂我公司的产品文档；Agent 再强大，它也无法高效检索海量企业知识。…- 9
- 0
-
多Agent场景，子agent 之间数据读写不同步，如何解决？
多Agent 系统里，经常会出现一个单 Agent 里从来不会出现的问题：一个子 Agent 刚写完数据，另一个子 Agent 立刻去读，结果是空的。根本问题出在 Agent 的写-读模式撞上了很多数据库为单 Agent 场景设计的默认一致性配置。接下来，这篇文章将说清楚这个矛盾从来，以及怎么用一行参数解决它。01 单 Agent 与多 Agent 的读写设计有何异同？单 Agent R…- 6
- 0
-
1G内存检索2500万向量，Milvus中如何用FLAT在强标量过滤场景搞定毫秒响应？
前几天在 Milvus 社区，一位做以图搜图的朋友提了一个问题：“我们要对2500 万张图片（转为1280 维向量）做以图搜图，单机支撑亿级数据的查询。但内存配置只有64GB，其中能分给向量数据库的最多32GB。但我用 Sizing Tool 算了一下，说要 139GB 内存，是不是没戏了？"▲ Sizing Tool 估算结果：25M × 1280 维向量，Raw DataSize 1…- 7
- 0
-
看 AgentRun 如何玩转记忆存储，最佳实践来了！
阿里云 AgentRun 是一个以高代码为核心的一站式 Agentic AI 基础设施平台。秉持生态开放和灵活组装的理念，为企业级 Agent 应用提供从开发、部署到运维的全生命周期管理。AgentRun 通过集成表格存储（Tablestore），为智能体提供三种持久化记忆能力：在同一对话中维持上下文的会话历史、跨会话保留用户偏好等结构化信息的长期记忆，以及可直接读写的会话状态。本文介绍如何创建并…- 7
- 0
-
RAG 与 MCP：每位 AI 开发人员真正需要了解的知识
检索知识与执行实时操作之间的本质区别，以及为什么大多数 AI 应用两者都需要MCP：每个 AI 开发者真正需要了解的知识 获取知识和采取实时行动之间的真正区别，以及为什么大多数 AI 应用都需要两者兼备。" class="rich_pages wxw-img" data-ratio="0.6671428571428571" data-t…- 5
- 0
-
PingCAP 王琦智：下一代 RAG，tidb.ai 使用知识图谱增强 RAG 能力
导读随着 ChatGPT 的流行，LLMs（大语言模型）再次进入人们的视野。然而，在处理特定领域查询时，大模型生成的内容往往存在信息滞后和准确性不足的问题。如何让 RAG 和向量搜索技术在实际应用中更好地满足企业需求？如何在向量之上构建全链路 RAG 服务，提升开发者效率，降低成本？本文整理自 TiDB 生态系统架构师及高级开发者 Advocate 王琦智在墨天轮数据库沙龙的分享：《下一代RAG，…- 7
- 0
-
DR-RAG：将动态文档相关性应用于问答型RAG技术！
01。概述DR-RAG是一个两阶段的检索流程，专注于通过在问答数据集上执行多跳过程仅调用一次大型语言模型（LLM）。这种方法表明可以在答案的准确性上实现显著的提升。研究发现，在检索过程中，需要选择对生成答案具有高度相关性和决定性影响的文档。这些文档被称为静态相关文档。同时，还存在一些相关性较低但对答案生成过程至关重要的文档。这些文档被称为动态相关文档。02。DR-RAG如下方图表所示，示例查询“彼…- 6
- 0
-
打造本地化模型工作流-AI助手全面升级
一、上期回顾 首先回顾一下我们之前本地化模型部署与应用里完成的应用 我们基于Ollama完成了本地化模型的部署，并且通过MaxKB以及本地建立的知识库，完成了一个基于RAG的知识库问答系统。但正如我们上次实践的结尾所言。仅仅是接入一个本地化的知识库，还是无法解决一些依赖…- 4
- 0
-
GraphRAG+Ollama 结合上市公司知识图谱的LLM分析
Content微软最新开源了LLM工具GraphRAG，除了把模型外包给了OpenAI，微软在工具层已经开源了DeepSpeed，Autogen以及GraphRAG，集齐了模型训练，agent以及RAG三大神器。这篇论文介绍了人类在多个领域中如何依赖于阅读和理解大量文档的能力，并指出了大型语言模型（LLMs）在自动化复杂领域感知制造中的潜力。然而，现有的检索增强生成（RAG）方法在处理针对整个文本…- 6
- 0
-
Self-RAG: 自校验，自检索高级RAG 实施和实际应用介绍
导言做RAG的同学都知道，检索质量直接决定了RAG系统回答问题的质量， 但很多场景下，如果检索出来的内容和问题其实不相关， 反倒会降低输出的质量。本文就介绍了另外一种RAG方法：Self-RAG， 由大模型决定是否需要检索， 以及在最终输出结果前自己评估答案的质量保证输出最佳答案。通过阅读本文你能够了解：Self-RAG的基本原理和方法获取Self-RAG论文和代码关注公众号，后台发送"…- 2
- 0
-
基于RAG架构的智能房产助手：从架构到手撸代码
随着人工智能技术的快速发展，智能问答系统在房产销售领域的应用越来越广泛。智能房产销售助手能够帮助销售人员更高效地处理客户咨询，提供准确的信息和建议，提升客户满意度。本文将详细介绍基于RAG（Retrieval-Augmented Generation）架构的智能房产销售助手的构建过程，包括数据准备阶段、数据使用阶段以及手撸代码的具体实现。一、数据准备阶段数据准备阶段是构建智能房产销售助手的第一步。…- 3
- 0
-
Advanced RAG 11：对用户输入的内容进行「分类处理」和「再优化」
编者按：你是否曾经遇到过这些情况：你向 AI 助手提出了一个比较复杂的问题，但它给出的回答却比较浅显，甚至完全偏离了你的意图?？或者，你询问了一个非常简单的问题， AI 助手却给出了一大堆不必要的信息，让你感到烦恼?？传统的 RAG 技术虽然能有效减少 AI 回答内容中的错误，但并不能改进用户最初提交的 query 内容，因此可能会出现以下这些问题：对于用户提交的简单 query ，系统可能会消耗…- 5
- 0
-
3 大智能体平台详细对比，除了 Coze，还有…
目前市面上有很多 RAG 相关的产品，其中知名度最高的几个是 FastGPT、Dify、Coze 等几款工具。本文将从各个维度来分析这三款 RAG 产品的优势和劣势，给大家做一个参考。什么是 RAG？RAG，即 Retrieval-Augmented Generation，是一种结合了检索和生成技术的模型，它通过引用外部知识库的信息来生成答案或内容，具有较高的可解释性和定制能力。RAG 模型首次由…- 6
- 0
-
RAG实践｜Rerank如何提升LLM查询效率与准确性
本文的核心议题是RAG中Rerank技术及其在提升语言模型（LLM）查询效率与准确性方面的应用。Rerank策略能够在不削弱查询精确度的前提下，实现实质上的查询加速效果，甚至有可能增强查询结果的准确性。该技术通过从给定的上下文中筛选并移除无关节点，同时对剩余的相关节点进行重新排序，从而达到优化查询性能的目的。点关注不迷路 背景二阶段检索器（Two…- 5
- 0
-
大模型模仿人类记忆，迎来无限上下文时代
我们都知道，人类大脑在处理长时间的记忆和事件时表现出色。而现有的大型语言模型（LLMs），虽然已经展现出了非凡的能力，但在处理广泛的上下文时仍然存在困难，这限制了它们在处理长序列时保持连贯性和准确性的能力。这样的表现有限主要是因为：- Transformer架构在遇到比它们训练时用的上下文更长的内容时，会变得不太灵活。- 当序列很长时，注意力机制的效果会变得混乱和噪声化。- 尽管像检索增强生成（R…- 6
- 0
-
源码解读 – 微软GraphRAG框架
1. 引言这几天微软开源了一个新的基于知识图谱构建的检索增强生成（RAG）系统, GraphRAG, 该框架旨在利用大型语言模型（LLMs）从非结构化文本中提取结构化数据, 构建具有标签的知识图谱，以支持数据集问题生成、摘要问答等多种应用场景。GraphRAG 的一大特色是利用图机器学习算法针对数据集进行语义聚合和层次化分析，因而可以回答一些相对高层级的抽象或总结性问题, 这一点恰好是常规 RAG…- 2
- 0
-
语言大模型(llm)调用电脑工具tool call，让语音控制你的电脑
最近在看一些RAG相关的东西，开源了RAG的项目Easy-RAG，好用又精致RAG搜索增强生成系统，一个精简的版本，适合学习、使用、自主扩展，欢迎大家对项目提出建议和优化点，感谢starhttps://github.com/yuntianhe2014/Easy-RAG本次分享的是 语言大模型llm 的工具调用，感…- 7
- 0
-
从关键词匹配到知识理解：微软 GraphRAG 掀起革命，Neo4j CTO 详解其如何引领智能检索新时代
导读：TLDR;微软研究院开发的 GraphRAG 是一种利用知识图谱增强检索增强生成 (RAG) 的新技术，显著提高 AI 在复杂信息处理和大型数据集上的问答和主题发现能力。与传统的仅基于向量的 RAG 方法相比，GraphRAG 能够提供更准确、上下文相关且全面的答案。本文将深入探讨 GraphRAG 的原理、优势和应用前景，并阐述其如何引领智能检索新时代。在上篇文章 “从关键词匹配到知识理解…- 5
- 0
-
搭建RAG系统就这么简单：LangChain|RAG是什么？
RAG是什么 "RAG"（Retrieval-Augmented Generation）是一种结合了检索（Retrieval）和生成（Generation）的人工智能技术，它在大模型中被需要的原因包括：知识丰富性：大模型通过RAG可以访问大量的外部知识库，这有助于提高模型回答问题的准确性和深度。实时信息获取：由于大模型通…- 4
- 0
-
RAG：在LangChain中使用本地向量embedding模型
向量模型是RAG系统中实现有效信息检索和生成的关键技术之一，它们使得系统能够处理复杂的语言理解任务，并生成更加准确和相关的输出。 向量模型将文本转换为向量形式，便于在高维空间中进行快速的相似性检索，这是RAG系统中检索相关信息的基石。通过向量化，模型能够评估不同文本之间的语义相似度，即使在词汇不完全匹配的情况下也能找到语义相关…- 4
- 0
-
【微软大模型】GraphRAG检索增强生成技术
GraphRAG是在RAG（Retrieval Argumented Generation）技术的基础上发展而来。RAG是一种自然语言查询方法，通过从外部知识源检索附加信息来增强LLM的生成能力。然而，传统的RAG系统在处理全局性问题时存在局限，无法全面理解大规模数据集的全貌。GraphRAG通过引入图模型，构建知识图谱，解决了这一问题。核心技术数据预处理：将原始文本数据清洗、分词，并转化为模型可…- 5
- 0
-
生成式 AI 进入知识图谱时代：GraphRAG 的崛起与未来
生成式 AI 进入知识图谱时代：GraphRAG 的崛起与未来引言：生成式 AI 的浪潮席卷全球，大语言模型（LLM）展现出前所未有的能力，但其局限性也日益显现。幻觉问题、可解释性差、抓不住问题重点、隐私和安全问题等，都阻碍着 LLM 的进一步发展。为了解决这些问题，检索增强式生成（RAG）应运而生，它通过将真实世界信息融入 LLM 的生成过程，大幅提升了生成质量和结果有用性。GraphRAG：知…- 5
- 0
-
微软GraphRAG，开启智能检索新篇章
1. 引言检索增强生成（RAG）是一种根据用户的查询语句搜索信息，并以搜索结果为 AI 参考从而生成回答。这项技术是多数基于 LLM 工具的重要组成部分，而多数的 RAG 都采用向量相似性作为搜索的技术。在文档中复杂信息的分析时，GraphRAG 利用 LLM 生成的知识图谱大幅提升了问答的性能。GraphRAG是一种基于图的检索增强生成方法，旨在通过将知识图谱或图形数据库与大型语言模…- 7
- 0
扫码打开当前页
联系我们
-
￥优惠劵使用时效：无法使用使用时效：
之前
使用时效：永久有效优惠劵ID：×