-
应对知识管理挑战：RAG技术如何驱动企业智能化升级
在人工智能技术迅速发展的背景下，检索增强生成（Retrieval-Augmented Generation, RAG）作为一种融合信息检索与自然语言生成的关键技术，正逐步成为企业推进数字化转型的重要工具。近年来，基于 RAG 的解决方案市场需求显著增长，多个行业积极引入该技术以提升知识管理及应用效率。据多家权威机构报告，企业对于 RAG 相关技…- 0
- 0
-
RAG彻底爆了！一文掌握其效果优化的架构设计及核心要点
RAG技术全解析：让大模型告别"胡说八道"，构建企业级AI知识库的终极指南你是否遇到过这样的场景：向大模型询问公司最新的产品规格，它却给出了2021年的过时信息？或者让AI助手帮你查找内部文档，它却开始"一本正经地胡说八道"？根据Stanford的最新研究，即使是GPT-5这样的顶级大模型，在处理特定领域知识时的准确率也仅有47%。而当企业试图将AI应用于实…- 0
- 0
-
Meta如何给RAG做Context Engineering，让模型上下文增加16倍
最近一段时间，Context Engineering（上下文工程）的热度已无需多言，而 Meta 超级智能实验室发布的首篇论文，便聚焦于该领域的核心议题——模型上下文智能压缩，展开了深度研究。相信在开发 RAG与 Agent时，上下文太长导致输出效果崩掉，几乎做AI 应用人的家常便饭。其具体体现有二：长上下文导致了更高内存成本，模型的首 token 生成时间（TTFT）会随之呈二次方增加。冗余计算…- 0
- 0
-
检索器江湖：那些让RAG神功大成的武林绝学
你是否曾有过这样的经历？在AI上输入一个问题，结果返回的内容让你怀疑自己是不是在火星上网？或者问AI一个问题，它给你的答案却南辕北辙？别担心，这不是你的问题，而是背后的"检索器"没有练好内功！在RAG（检索增强生成）这门武功中，检索器就像是掌门人的左膀右臂，它的好坏直接决定了最终的武功效果。今天，我们就来聊聊这个看似简单实则暗藏玄机的检索器江湖。为什么要学习检索器？想象一下，你…- 0
- 0
-
Dify + Oracle + MCP：轻松构建 RAG 与 MCP Agent 智能应用
在 AI 应用开发领域，检索增强生成（RAG）已成为构建智能问答、文档分析等场景的核心技术。通过 RAG，AI 应用能够结合现有知识库，在生成回答时引入外部信息，从而为用户提供更准确、更智能的响应。同时，通过组合 AI Agent + DB MCP Server，从而实现通过 AI 与数据库的交互操作也是数据库系统接入 AI 应用的一个常见场景。本文将通过一个实践案例，展示如何使用 Oracle …- 0
- 0
-
做好 RAG 落地最后环节 —— 评估 RAG 应用
一、为什么RAG应用需要评估随着大模型技术的发展，我们已经具备了开发完整 RAG（Retrieval-Augmented Generation，检索增强生成）应用的技术能力。借助 LlamaIndex、LangChain 等成熟框架，可以在较短时间内实现从原型到应用的快速构建。然而，真正将 RAG 应用推向生产环境，远不只是“搭建起来”那么简单，仍有许多问题值得提前思考与应对。1. 大模型输出的不…- 0
- 0
-
企业级RAG系统实战心得：来自10多个项目的深度总结
在Reddit的AI_Agents版本刷到一个帖子，讲的RAG系统在企业中的落地，觉得写的不错，翻译共享给大家，英文原文直接让DeepSeek翻译后有些生硬，手动润色了一下。配图：Google Nano Banana【原贴】Building RAG systems at enterprise scale (20K+ docs): lessons from 10+ enterprise implem…- 0
- 0
-
您应该为您的 RAG 系统使用哪种分块技术？
在人工智能领域迅猛发展的今天，检索增强生成（RAG）系统已成为构建可靠且上下文感知应用的基石，这些应用由大型语言模型（LLM）驱动。RAG 系统通过检索外部知识库（如向量数据库）中的相关信息，来弥合 LLM 与外部知识之间的差距，从而提升模型的响应质量。然而，在实现高效 RAG 系统时，一个最关键却常常被忽略的步骤是“分块”（chunking）——即将大型文档分解成更小、更易消化的片段的过程。为什…- 0
- 0
-
关于多模态应用的几个疑问，以及多模态应该怎么应用于RAG？
“ 多模态与RAG的结合是一个应用的实践过程，其实际操作远比理论要复杂得多。”这段时间一直在搞RAG和Agent，然后使用的基本上都是基于文本处理的推理模型，基本上没用过多模态模型；而最近突然有个想法，那就是把多模态应用于当前的RAG系统。虽然说之前对多模态有些基础认识，但并没有在真实的业务系统中实践过；然后网络上关于多模态应用的内容又很少，因此等真正尝试去做的时候才发现，多模态应用好像…- 0
- 0
-
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
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：×