-
MiniMax RAG 技术：从推理、记忆到多模态的演进与优化
导读 在智能体与大模型应用不断深入的背景下，检索增强生成（RAG）技术正经历从“检索＋生成”向“检索＋推理＋记忆＋多模态”一体化的跃迁。本文首先剖析 RAG 系统在推理链构建和 Agent Layer 中引入知识图谱、MCTS 及强化学习的优化路径，继而探讨记忆层在动态检索、注意力过滤与多智能体协作中的实现方式；最后聚焦多模态场景下的张量化检索与延迟交互模型（COL），并针对存储膨胀、重…- 0
- 0
-
告别新手级RAG！一文掌握专业级后检索优化流水线
众所周知，检索是检索增强生成 (RAG) 系统的核心。它直接决定哪些文档片段给到大语言模型（LLM）来生成最终答案。不过，并不是所有的检索结果都是理想的。比如，在返回的前K个文档结果中，并不是最相关的。还有返回的结果过于冗长或已经过时，也会影响最终答案的质量。在前面我们通过两篇文章学习了两种预检索优化策略：查询路由（Query Routing）和查询构建（Query Construction）。它…- 0
- 0
-
切块、清洗、烹饪：RAG知识库构建的三步曲
嘿，各位AI技术爱好者们，你是不是经常遇到这样的情况：辛辛苦苦训练的AI助手，面对专业问题时却"一问三不知"或者"胡言乱语"？明明你已经喂了它一堆PDF和Word文档，为啥它就是不会用？就像你去米其林餐厅，厨师拿着一堆未处理的食材直接上桌一样荒谬！没错，RAG系统也需要一个"厨房"，而文档处理与知识库构建，就是这个厨房里最重要的"…- 0
- 0
-
终结 “闭卷考试”：RAG 如何从根源上构建可信的AI应用
在上一篇《与 AI 的 “幻觉” 作战》里，我们聊到一个扎心的现实：当AI像一面失真的 “镜子”，即便我们掌握了 “提问” 这把终极杠杆，撬起来的也可能是 “一本正经的胡说八道”。幻觉，这个大模型与生俱来的 “认知缺陷”，至今仍是企业将AI落地到客服、医疗、金融等关键场景的最大拦路虎 —— 没人敢用一个随时可能编造数据的 AI 来回答客户疑问，更别提辅助诊断或生成合同了。当时我们留下了一个 “系统…- 0
- 0
-
你的RAG应用为什么总“胡说八道”？这份21项优化自查清单，帮你根治AI幻觉
关注我，让我的实验，成为你的经验。 大家好，我是dify实验室的超人阿亚。 你是否也经历过这样的“社死”瞬间：信心满满地向老板或客户演示你搭建的智能知识库问答机器人，结果它面对一个简单的问题，却给出了一段看似专业、实则完全捏造的答案。场面一度十分尴尬，你开始怀疑人生：“我明明把所有资料都喂给它了啊！” 别灰心，你不是一个人在战斗。RAG应用中的“幻觉”问题，是每个AI应用开发者都会遇到的拦路虎。今…- 0
- 0
-
运用 Elasticsearch 进行向量搜索及创建 RAG 应用
导读 Elasticsearch 目前是世界上最大的搜索引擎，在 ToB 业务中应用广泛，携程、抖音、滴滴等平台的搜索引擎都基于此构建。本文介绍会围绕以下五方面展开：1. 智能时代的搜索需求2. Elasticsearch 向量搜索及最新进展3. RAG 实现原理4. 使用 Elasticsearch 在企业搜索中的案例分享5. 附录信息分享嘉宾｜…- 0
- 0
-
通过两个案例，看RAG如何解决大模型的“知识短板”
大模型和RAG一样，都是针对用户的问题，给出答复，那么，为什么有问题不直接问DeepSeek，还要跑一遍RAG？RAG的出现，从根本上解决了大模型在处理知识时的一个核心痛点：如何高效、准确且低成本地利用那些未训练过的、私有的或最新的知识来回答问题。如果我们希望大模型根据某些特定的知识内容生成答案，就必须将这些知识提供给模型。似乎我们可以把这些知识全部发送给模型，但实际上并不可行一方面，大模型本身的…- 0
- 0
-
给AI装上一个'超级大脑'：信息检索如何改变RAG系统的游戏规则
你是否有过这样的经历？问AI一个问题，它能自信满满地回答，但你稍微验证一下就发现——"这个回答完全是编造的"。没错，这就是当今大模型的典型特点：看似无所不知，实则可能自信地胡说八道。这个问题该怎么解决？今天我们就来聊聊如何给AI装上一个"超级大脑"——通过RAG（检索增强生成）系统中的核心技术：信息检索！当AI成为了"自信的编造者"想象一…- 0
- 0
-
别让你的RAG“吃”垃圾数据了！从源头构建高质量知识库的深度文档解析指南
最近有个群友问了我一个问题，非常有代表性。他刚接触RAG，跟着网上的教程，用LangChain框架快速搭起了一套问答系统。他用框架自带的PyPDFLoader加载了公司的几份PDF报告，流程跑通了，但一测试就傻眼了：模型的回答质量极低，各种回避问题、事实错误。这个问题我深有体会。它指向了一个常常被我们忽视，但却至关重要的环节。我在早期实践RAG时，也曾困在这个瓶颈上。当时我只顾把精力都放在了Pro…- 0
- 0
-
别再说你的RAG召回率不行，都怪你文档处理的太差——别拿文档处理是难点当借口
“ 在RAG系统中，业务比技术更重要；好的业务和设计能大大减少你的工作量，并提升召回率。”在刚开始做RAG的时候，认为RAG很简单；虽然说文档处理是一个难点，但那也是没办法的事，毕竟这玩意在业界就是一个难点；但随着这段时间做RAG的数据处理和优化才发现事情远远没有自己想的那么简单。虽然说复杂文档处理是一个难点，但那并不是你做不好RAG的理由；原因就在于你根本没有弄明白，怎么才能做好一个R…- 0
- 0
-
【RAG的16种玩法】反馈闭环、自适应检索增强(中)
09反馈闭环 在构建高质量的检索增强生成系统(RAG)时，我们常常调到一个关键:当前知识库和检索流程都是静态的，无法根据用户使用过程中的真实反馈进行优化和调整。因此，需要引入一种持续改进的机制【反馈闭环】。什么是反馈闭环？在 RAG 系统中设计一套机制，收集用户对回答内容的反馈(如点击、评分、点赞、修改建议等)，并基于这些数据不断优化检索策略、知识库内容和生成质量。目的：提高问答系统的准…- 0
- 0
-
在RAG文档处理中——怎么处理噪音问题
“ RAG文档处理的原则是找出有效数据，剔除无效数据，而不是为了大而全整一堆没用的数据。”在RAG增强检索中，文档处理是重中之重，但是很多人的文档处理做的很粗糙，然后还奇怪为什么我的RAG质量不好，召回率太低，原因就在于你的文档处理真的不咋地。虽然说现在的文档处理是大模型应用中的一个难点，但既然用了那就要想办法把它做好，因此我们现在需要考虑的不是文档处理有多复杂，而是应该考虑怎么提升文档…- 0
- 0
-
RAG知识库十大误区 和 提高准确率示例
一、RAG 实践中的十大误区在 RAG 技术落地过程中，无论是数据处理、检索策略设计，还是模型适配、系统优化，都存在易被忽视的关键问题，这些误区可能直接导致系统性能下降、资源浪费，甚至项目失败。以下为实践中常见的十大误区：误区一：忽视数据质量，盲目堆砌知识库内容部分使用者认为 “知识库规模越大，RAG 效果越好”，因此在构建知识库时，未对数据进行筛选与清洗，将低质量、重复、无关的信息大量导入。例如…- 0
- 0
-
别再只会向量检索！16 个 RAG 高阶玩法曝光（上）
RAG = “外挂知识库 + 动态提示”，让大模型实时查资料再回答，解决幻觉和知识过期。我把压箱底的 16 个 RAG 杀招一次性掏出来！上半部先讲 8 个，覆盖向量召回、混合检索、重排序、多模态等最新套路。01简单切块 通过简单的文本分块和相似度匹配来查找相关内容。具体的步骤如下：①准备原始文档北京是中国的首都，有着悠久的历史和丰富的文化。北京有很多著名的景点，比如故宫、天安门广场、颐…- 0
- 0
-
基于RAG的工业品商品智能推荐
背景 MRO 工业品是企业生产运营中不可或缺的一类物资，核心是为保障生产设备正常运转、维持企业日常运营提供支持，而非直接用于生产最终产品的原材料或零部件。其名称源于英文 “Maintenance（维护）、Repair（维修）、Operations（运营）” 的缩写，本质是 “非生产性采购物资”。 目前我国 MRO 市场还处于由传统零散采购向集约化…- 0
- 0
-
DeepMind爆火论文：向量嵌入模型存在数学上限，Scaling laws放缓实锤？
极市导读 在做 RAG 或搜索引擎时，你是否也遇到过：模型明明很大，但关键资料就是召不全？DeepMind 的最新研究给出了答案 —— 向量嵌入存在理论瓶颈。这意味着单靠“加维度、加数据、加模型”并不能解决问题，未来检索与生成系统可能需要全新的架构思路。 >>加入极市CV技术交流群，走在计算机视觉的最前沿这几天，一篇关于向量嵌入（Vector Embedd…- 0
- 0
-
在企业开发中——RAG技术常见的问题以及解决方案
“ RAG的本质就是快速和准确的召回文档，但由于各种原因会导致其召回质量不尽人意，因此我们需要从多个方面来优化其召回结果。”虽然说现在大模型的主流应用方向是智能体——Agent；但也不能否则RAG在其中扮演的重大作用，因此RAG也是企业应用场景中经常用到的技术。但RAG虽然看起来很简单，但事实上存在很多问题和坑；还是那句话想把RAG做出来很简单，但想把RAG做好就很难。以作者自身遇到的问…- 0
- 0
-
从原理到落地：RAG 技术全解析，手把手教你搭建专属知识库
从原理到落地：RAG 技术全解析，手把手教你搭建专属知识库当你用 ChatGPT 查询 “2024 年最新税收政策” 时，它可能会告诉你 “我的知识截止到 2023 年 10 月”；当企业想用 AI 解答内部规章制度时，又担心敏感数据泄露 —— 这些问题，RAG 技术都能解决。作为分析式 AI 的核心应用之一，RAG（检索增强生成）通过 “检索外部知识 + 增强模型生成” 的模式，完美弥补了大模型…- 0
- 0
-
RAG效果不佳？先别急着微调模型，这几个关键节点才是优化重点
本文深入探讨了RAG（Retrieval Augmented Generation）技术的实现细节与优化策略，指出在AI应用开发中，RAG常被视为黑盒导致问题定位困难。文章从文档分块（Chunking）、索引增强（语义增强与反向HyDE）、编码（Embedding）、混合检索（Hybrid Search）到重排序（Re-Ranking）等关键环节进行了详细解析，强调需结合具体场景对各模块进行调优，…- 0
- 0
-
涌现观点｜RAG评估的"不可能三角"：当独角兽公司因AI评估失误损失10亿美元时，我们才意识到这个被忽视的技术死角
开篇：一次价值10亿美元的教训那个让硅谷震动的凌晨电话2024年2月的一个凌晨，一通紧急电话打破了联合健康集团（UnitedHealth Group）CEO的宁静夜晚。电话那头传来的消息让这位见惯大风大浪的商界领袖瞬间清醒：他们的核心AI系统Change Healthcare遭遇勒索软件攻击，整个美国医疗支付体系陷入瘫痪[1]。这不是一次普通的网络攻击。Change Healthcare作为美国最…- 0
- 0
-
RAG2.0进入“即插即用”时代！清华YAML+MCP让复杂RAG秒变“乐高”
检索增强生成系统（RAG）正从早期“检索+生成”的简单拼接，走向融合自适应知识组织、多轮推理、动态检索的复杂知识系统（典型代表如 DeepResearch、Search-o1）。但这种复杂度的提升，使开发者在方法复现、快速迭代新想法时，面临着高昂的工程实现成本。基于 Model Context Protocol (MCP) 架构设计的 RAG 框架。这一设计让科研人员只需编写 YAML&…- 0
- 0
-
利用RAG构建智能问答平台实战经验分享
目前公司的智能问答平台利用RAG技术构建，现给大家分享下通RAG技术构建智能问平台的具体流程和原理。一、什么是RAGRAG是检索增强生成技术（Retrieval-Augmented Generation），目前是构建智能问答的重要技术。RAG相比传统的检索可以可以减少幻觉；支持知识动态更新等优点，是现在企业和个人打造知识库的重要架构和技术。核心包括以下2点：1、数据准备阶段包括：数据收集及清洗——…- 0
- 0
-
RAG如七夕，鹊桥大工程：再看文档解析实际落地badcase
今天是2025年8月29日，星期五，北京，雨，8月份的最后一个工作日我们来看两个话题，一个是RAG，一个是文档解析。RAG如七夕，鹊桥大工程，做个比喻，加深印象。文档解析上，还是从使用角度出发， 总结一些问题以及对应的产生逻辑、应对思路。多总结，多归纳，多从底层实现分析，会有收获。一、RAG如七夕，鹊桥大工程今天是七夕节，在社区做了个一个很形象的比喻。七夕搭桥，可以类比RAG，为了让q跟chunk…- 0
- 0
-
基于智能体增强生成式检索（Agentic RAG）的流程知识提取技术研究
在工业设备维护、工程操作指导等领域，传统技术手册多以非结构化文本、图表混合形式存在，难以直接被人工智能系统或机器人解读。将这些“ legacy 维护手册”转化为机器可读取的结构化流程，成为提升工业效率的关键需求——而精准的流程知识提取（Procedure Knowledge Extraction）技术，正是实现这一目标的核心路径。本文基于新加坡管理大学（SMU）商业信息技术硕士项目中“生成式AI与…- 0
- 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：×