-
</section><p> </p>
一、引言：RAG 技术的兴起和挑战 1.1、从关键词搜索到 RAG在大模型技术火起来之前，我们处理海量数据中的信息检索问题，往往依靠的是传统的关键词搜索和全文检索方法。这些方法虽然在一定程度上帮助我们找到了信息，但它们在语义理解方面的能力相对较弱，很难精确捕捉到用户的真实需求。因此，当用户试图在海量数据中寻找特定信息时，往往就像是在大海里捞针，很难快速而准确地找到自己需要的答案。随着大模…- 1
- 0
-
Text2SQL之不装了，我也是RAG
背景对业务数据库中的表实现问答。输入是用户的问题，输出是该问题的答案。这是很典型的Text2SQL的应用场景了，为了实现这一需求，很容想到的是把创建的表和表的描述都放进prompt里，让LLM去根据表的结构生成SQL语句，再利用工具去执行SQL语句，拿到查询结果后，再丢给LLM，让LLM根据给定的内容回答问题。我一开始也是这么想的，但是，当你的业务表非常多的时候，比如有上千个，你应该选择哪个表或者…- 4
- 0
-
RAG 的工作流程和架构
背景介绍ChatGPT的火爆问世，让人们对问答机器人重拾了信心，有了大模型的加持，ChatGPT还成功通过了谷歌的编程面试。普通大众可以借助ChatGPT完成日常问答、翻译、文本生成、文本分类等多种任务。但是如果直接拿它来回答专业领域的问题，可能就不那么尽如人意了。问题主要表现在：依赖大模型的内在知识，已有的内容可能过时或者来自非权威的来源，还容易产生大量幻觉等。如果尝试对大模型进行微调，其参数量…- 2
- 0
-
OpenAI分享他们在RAG技术的最佳实践….
这是一场关于如何最大化地提高大型语言模型性能的分享。John Allard和Colin分别介绍了不同的技术，包括提示工程、检索增强生成（RAG）和微调等，以及如何将这些技术应用到实际问题中。John首先介绍了自己在OpenAI微调产品团队的工作，并提到了微调的一些进展，如函数调用数据的微调、持续微调和平台内全UI微调。他还提到了与不同规模的开发者合作的经验，以及他们如何使用LLM解决各种问题。Co…- 1
- 0
-
智能升级：检索增强生成（RAG）技术如何为AI大语言模型（LLMs）注入新的活力？
检索增强生成（RAG）是一种生成式AI框架，通过利用源自企业的相关数据来提高大型语言模型（LLMs）的准确性和可靠性。企业试图利用生成式AI和大语言模型（LLMs）创造价值时，基于组织私有信息和数据自动生成可靠的响应仍然是一个难以实现的目标。显然，像机器翻译和摘要生成这样的技术可以打破语言障碍，促成一些令人满意的交互，但从整体来看，生成准确且可靠的回答仍是一个重大挑战。缘起：大语言模型（LLMs）…- 3
- 0
-
用 RAGAS 评估 RAG 流水线的初学者指南
用 RAGAS 评估 RAG 流水线的初学者指南引言在不断发展的机器学习和人工智能领域中，语言模型应用的开发，尤其是检索增强生成（RAG）系统，变得越来越复杂。然而，真正的挑战不在于初始创建，而在于对这些应用的持续维护和增强。这就是 RAGAS 的用武之地——一个专门提供 RAG 管道度量的评估库。本文将探讨 RAGAS 库，并教你如何使用它来评估 RAG 管道。学习目标• 了解 RAG…- 5
- 0
-
【深度长文】ReAct 、LangChain、RAG中的“自主系统”思想
上一篇文章中，我将自主系统定义为：“能够感知内部以及外部环境的变化，并自主作出反应实现一系列目标的系统”。这个系统的运行过程往往是以循环的方式出现：1、感知 （Perception）：感知的主要目的是从内部/外部环境中获取信息，转换成某种或多种格式进行输入；2、认知（Brain）：感知到的信息将被传递给认知模块进行状态表示，产出对于当前现状的定义、对于未来状态的预测；3、决策（decision）：…- 3
- 0
-
AIGC-查询意图识别RAG架构设计
RAG不仅仅检索，理解你的需求。它还会根据用户的输入首先分析用户的查询意图，以便执行不同的分支获取最优答案。 一、查询意图识别RAG需求分析根据用户查询的识别意图来控制 RAG 应用程序的流程，帮助我们创建更有用和更加强大的检索增强生成（RAG）应用程序。能够与数据进行交互，这些数据可能来自各种各样的来源。例如报告、文档、图片、数据库和第三方系统。基于业务的 RAG 应用程序，能够与业务…- 7
- 0
-
一篇RAG与大模型结合的最新全面综述
检索增强型生成（RAG）能够为像大型语言模型（LLMs）这样的生成型 AI 模型提供可靠和最新的外部知识，增强其能力。LLMs 已经展示了革命性的语言理解和生成能力，但仍然面临着幻觉和过时的内部知识等局限性。检索增强型大型语言模型（RA-LLMs）利用外部知识来解决 LLMs 的局限性，减少仅依赖内部知识的情况。图1：检索增强型生成（RAG）遇见大型语言模型（LLMs）。当用户的查询超出范围时，例…- 2
- 0
-
GenAI 的幻觉克星：ServiceNow 如何利用 RAG 征服工作流程生成？
生成式人工智能 (GenAI) 正以惊人的速度改变着世界，然而，其“幻觉”问题，即生成不准确或不存在的信息，一直是 GenAI 落地应用的绊脚石。去年，检索增强生成 (RAG) 技术凭借其强大的幻觉抑制能力横空出世，通过巧妙地结合信息检索和内容生成，RAG 在各种任务中取得了突破性进展，甚至让客户惊呼“还能这么玩？！”然而，今年 RAG 的竞争变得异常激烈，开发者们正疯狂地尝试各种优化方法，力求在…- 0
- 0
-
GraphRAG：设计模式，挑战和落地指南
GraphRAG (基于知识图谱检索增强生成) 通过将知识图谱 (KGs) 或图形数据库与大型语言模型 (LLMs) 集成，增强了传统的检索增强生成 (RAG) 方法。它利用图形数据库的结构化特性，将数据组织为节点和关系，以更高效准确地检索相关信息，并为生成响应提供更好的上下文，使LLMs感知到更多的信息。通过将知识图谱作为结构化的、领域特定的上下文或事实信息的来源，GraphRAG使LLMs能够…- 1
- 0
-
多文档代理式 RAG 工作流程
多文档代理式 RAG 工作流程导言大型语言模型 (LLM) 彻底改变了我们从海量文本数据中提取见解的方式。在财务分析领域，LLM 应用程序正在被设计用来帮助分析师回答有关公司业绩、收益报告和市场趋势的复杂问题。其中一个应用涉及使用检索增强生成 (RAG) 管道来促进从财务报表和其他来源中提取信息。假设财务分析师想要了解公司第二季度财报电话会议的主要内容，特别是关注公司正在建立的技术壁垒。这类问题超…- 1
- 0
-
一款无缝集成RAG的开源企业级检索器：Denser Retriever
检索器是大模型检索增强生成 (RAG) 框架的基石，在为人工智能应用程序提供准确、无缝的体验方面发挥着至关重要的作用。Denser Retriever将多种搜索技术整合到一个平台中。它利用梯度提升 (xgboost)机器学习技术来结合：基于关键字的搜索，重点在于精确获取查询中提到的内容。矢量数据库非常适合查找大量可能相关的答案。机器学习重新排序器可以对结果进行微调，以确保最相关的答案位于列表顶部。…- 0
- 0
-
解决知识库问答质量低 , Qanything 二段检索( Mac M2环境 )
近 2 月还比较火的升级版 RAG知识库问答还有 RagFlow,但对我用的MacOS系统支持不好,第一步就卡住了,因此就部署QanythingRagFlow必须设置程序最大可使用的内存大小sysctl -w vm.max_map_count=262144,不然在 docker 拉取镜像时会显示``container ragflow-es-01 is unhealthy`如果在sysctl -w …- 2
- 0
-
大模型RAG实战｜开源RAG引擎QAnything技术栈解析
近日，有道发布了QAnything 1.4.1。这是一个开源的本地知识库RAG问答系统，支持用户上传多种格式的文档，以构建知识库，并采用两阶段检索机制及混合检索技术，提升检索效率和准确性。来源：https://qanything.ai/在本文中，我将基于对源码的分析，介绍QAnything的技术栈，探索其背后采用的技术组件及实现方法。 1 加载 Loading将各种格式的文件加…- 1
- 0
-
构建RAG驱动的应用程序中的路由
构建RAG驱动的应用程序中的路由根据用户查询的意图在 RAG 应用程序内路由控制流可以帮助我们创建更有用、更强大的基于检索增强生成 (RAG) 的应用程序。我们希望用户能够交互的数据很可能来自各种来源，例如报告、文档、图像、数据库和第三方系统。对于基于业务的 RAG 应用程序，我们可能希望使用户能够与来自业务中一系列领域的信息进行交互，例如来自销售、订购和会…- 1
- 0
-
优化RAG效果 四种文档分块策略解析
检索增强生成（Retrieval-Augmented Generation, RAG）可能是现阶段大型语言模型在实际应用中落地最有效的方式。RAG技术通过结合检索和生成两种能力，为大模型LLM提供了外部知识源的支持，使其能够更准确、高效地生成符合上下文的答案，同时保持了模型的可扩展性、可控性和可解释性。在RAG技术中，文档分块（Chunk）的策略对于提高检索和生成的效果至关重要。本文将探讨几种常见…- 1
- 0
-
Re-Ranking 是 如何帮助大模型和RAG实现优化检索
基于大型语言模型 (LLM) 的聊天机器人可以通过检索增强生成 (RAG) 提供外部知识来改进。这种外部知识可以减少错误答案（幻觉），并且还可以让模型访问不属于其训练数据的信息。通过 RAG，我们可以提供 LLM 信息，例如 PDF 文档或维基百科文章，作为提示中的附加上下文。基本RAG的问题基本的 RAG 管道：使用编码器模型和向量数据库来有效搜索相关文档块。然而，RAG 聊天机器人…- 3
- 0
-
斯坦福最新警示 | 别被RAG模型骗了：看LLM如何通过Prompt权衡先验知识与RAG检索
RAG似乎已成为业界解决类似语言幻觉(hallucination)和知识局限性等问题的标配，以期提升模型的准确性和知识广度。但事实可能远非如此简单，尤其是RAG开发者，千万别被RAG骗了。近日，斯坦福大学的一个研究小组进行了一项开创性的研究，试图量化评估LLM内部先验知识与检索信息之间的"拔河"博弈。他们的发现令人大开眼界，揭示了一些LLM行为中鲜为人知的奥秘。图片由XIUMA…- 0
- 0
-
Langchain新玩法：LangGraph赋能RAG Agent，自适应、自校正、Self-RAG，一网打尽！
Langchain的新框架，LangGraph结合3个突破性的框架：Corrective Retrieval Augmented Generation (CRAG，自纠正检索增强生成), Self-Reflective Retrieval-Augmented Generation (Self-RAG，自反射检索增强生成) , Adaptive QA framework（自适应 QA 框架）。重新定…- 1
- 0
-
他们利用 RAG 为金融领域的客户将问答准确率从原始的 45% 提升到 98%，这之间的差值是 53%
先说说标题中那个“40%”是怎么来的。下图是 open AI 开发者分享中提到的一个 RAG Success story， 他们利用 RAG 为金融领域的客户将问答准确率从原始的 45% 提升到 98%，这之间的差值是 53%，因为这是全球最佳案例，我们也没有 OpenAI 那么高的人才密度，打个八折大概是 40%，这就是40%的暴论来源。之前有人提过在 AI 时代，大模型的能力占到 80%，意味…- 1
- 0
-
使用RAG-GPT集成智谱AI、DeepSeek快速搭建OpenAI Cookbook智能客服
引言前面介绍了使用RAG-GPT和OpenAI快速搭建LangChain官网智能客服，目前国内也有一些比较不错的云端大模型API服务。本文将介绍通过RAG-GPT集成智谱AI和DeepSeek，快速搭建OpenAI Cookbook智能客服。RAG技术原理介绍在介绍RAG-GPT项目之前，我们首先要理解RAG的基本原理，RAG在问答系统中的一个典型应用主要包括三个模块，分别是：Indexing（索…- 1
- 0
-
基于 Milvus + LlamaIndex 实现高级 RAG
随着大语言模型（LLM）技术的发展，RAG（Retrieval Augmented Generation）技术得到了广泛探讨和研究，越来越多的高级 RAG 检索方法也随之被人发现，相对于普通的 RAG 检索，高级 RAG 通过更深化的技术细节、更复杂的搜索策略，提供出了更准确、更相关、更丰富的信息检索结果。本文首先讨论这些技术，并基于 Milvus 给出一个实现案例。01.初级 RAG初级 RAG…- 1
- 0
-
使用RAG-GPT快速搭建LangChain官网智能客服
引言随着GPT等大型语言模型（LLM）能力越来越强大，如何将这些模型精准地应用于特定垂直领域，让各行业开发者快速利用LLM赋能也成为热点和痛点。众所周知，LLM在处理超出其训练数据或涉及最新实事时，常会产生“幻觉”现象，简单理解就是会出现一本正经的胡说八道，回答不准确。针对此问题，RAG通过从外部知识库检索相关文档作为上下文输入到LLM有效地减少了生成内容不符合实际的情况。RAG技术原理介绍在介绍…- 1
- 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：×