-
有道QAnything背后的故事—关于RAG的一点经验分享
近日，我们开源了有道自研的RAG（Retrieval Augmented Generation) 引擎QAnything。该引擎允许用户上传PDF、图片、Word、Excel、PowerPoint等多种格式的文档，并实现类似于ChatGPT的互动问答功能，其中每个答案都能精确追溯到相应的文档段落来源。QAnything 支持纯本地部署，上传文档数量无上限，问答准确率高。&nbs…- 2
- 0
-
大模型+RAG用于金融股票预测分析框架：兼看图表理解领域大模型的工作
今天是2024年4月16日，星期二，北京，天气晴。我们来继续关注大模型相关的技术进展，先来看社区昨日进展报告，最近出现了许多报告类型的整理工作，并且工作的重心也逐步转移到文档智能方向，早报如下：而除此之外，我们再来看看两个有趣的工作，一个是关于大模型用于股票金融分析，其中用到了RAG。另一个是大模型用于图表理解，最近在做相关的工作，所以也一并整理出来，供大家一起参考并思考。一、大模型+RAG用于股…- 1
- 0
-
如何使用 MongoDB、LlamaIndex 和 OpenAI 构建一个RAG系统
简介大语言模型(LLM)为商业应用带来了巨大的好处,尤其是在提高生产力方面。LLM 及其应用无疑是有利的,但仅依靠 LLM 的参数化知识来响应用户的输入和提示对于私有数据或依赖实时数据的查询来说是不够的。这就是为什么需要一个非参数化的安全知识源来保存敏感数据并可以定期更新,以增强具有当前和相关信息的用户输入到 LLM 中。检索增强生成(RAG)是一种系统设计模式,它利用信息检索技术和生成式 AI …- 0
- 0
-
网易有道自研 RAG 引擎 QAnything 升级：发布纯 python 版本，首次支持在 Mac 运行
QAnything 系统架构图QAnything 是网易有道自研的 RAG（Retrieval Augmented Generation) 引擎。该引擎允许用户上传 PDF、图片、Word、Excel、PowerPoint 等多种格式的文档，并实现类似于 ChatGPT 的互动问答功能，其中每个答案都能精确追溯到相应的文档段落来源。该引擎支持纯本地部署，上传文档数量无上限，问答准确率很高。GitH…- 3
- 0
-
RAG全解析，并使用LangChain进行代码实现
介绍 RAG 的相关概念，以及如何使用LangChain、OpenAI 语言模型和 Weaviate 向量数据库来实现简单的 RAG 流水线。自从人们意识到可以用自有数据为大型语言模型（LLM）增效之后，就开始讨论如何最有效地弥合 LLM 的通用知识与专有数据之间的差距。围绕着微调还是检索增强生成（RAG）哪个更适合这一问题，人们展开了激烈的争论（两者都适合）。本文重点介绍 RAG 的概念，并首先…- 1
- 0
-
Langchain 的 LLM 代理简介：当 RAG 有局限性怎么办
Agents介绍让我们通过探索 LLM 代理的各种示例。虽然这个话题被广泛讨论，但很少有人积极使用代理;通常，我们所认为的代理只是大型语言模型。让我们考虑这样一个简单的任务，例如搜索足球比赛结果并将其保存为 CSV 文件。我们可以比较几种可用的工具：带有搜索和插件的 GPT-4：正如您将在此处的聊天记录中发现的那样，由于代码错误，GPT-4 无法完成任务AutoGPT 至少可以通过&nb…- 0
- 0
-
开源支持ORC及板式识别：RAGFlow解锁文档智能，引领 RAG 技术新潮流
RAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。RAGFlow 的核心优势在于其深度文档理解能力，它能够从各类复杂格式的非结构化数据中提取真知灼见，并支持无限…- 4
- 0
-
检索增强生成（RAG）：从理论到LangChain的实现
本文关注 RAG 的概念并首先介绍其理论。然后，它继续展示如何使用 LangChain 进行编排、 OpenAI 语言模型和 Weaviate 矢量数据库来实现简单的 RAG 管道。什么是检索增强生成检索增强生成（RAG）是为 LLMs 提供来自外部知识源的附加信息的概念。这使他们能够生成更准确和更符合上下文的答案，同时减少幻觉。问题最先进的 LLMs 接受大量数据的训练，以获得存储在神经网络权重…- 0
- 0
-
使用LangChain和LangGraph大幅提升RAG效果
介绍如何使用LangGraph和改善RAG。一、简介 LangGraph是LangChain、LangServe和LangSmith系列的最新成员，旨在使用LLM构建生成式人工智能应用程序。请记住，所有这些都是独立的包，必须单独进行pip安装。在深入学习LangGraph之前，需要了解LangChain的两个主要概念。1. 链：围绕LLM编写的程序，用于执行任务，例如自动SQL编写或NER提取链等…- 0
- 0
-
2026 年做搜索就是做 Agent Memory
4 月 18 日，Elastic 中国 AI 搜索技术大会在北京召开。以下内容整理自 Elastic 全球副总裁肖涵，原 Jina AI 创始人兼 CEO 在会上的演讲。肖涵讲述了 AI 搜索的发展历程以及为什么说在 2026 年做 AI 搜索基本就是在做智能体记忆 (Agent Memory)。本文以第一人称呈现。欢迎大家来到 Elastic 第一次在中国办这么大的技术研讨会。我是肖涵，北京人，…- 9
- 0
-
专题解读 | 可更新的检索增强知识库发展方向及进展
引言：为什么需要对知识库进行更新？检索增强生成（RAG）已成为大语言模型（LLM）落地的标准范式：通过检索外部知识库为模型提供上下文，既降低幻觉率，又避免了频繁重训。然而，一个被长期忽视的问题正在浮现——知识库本身会过时。 实际上由于技术文档每月进行版本迭代、金融报告按季度更新、政策法规持续修订等情况的存在，标准RAG系统面临严重的"版本混淆"问题：它只看语义相似度，不看时间有…- 1
- 0
-
AI实践｜基于 Spring AI 从0到1构建 AI Agent
阿里妹导读文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。前言Linux说过一句很经典的话：Talk is cheap, show me the code. 最近在学习AI Agent开发的时候，填鸭式地被灌输了很多新知识，但是这些新知识就像是漂浮的“空中楼阁”，看得见但摸不着，只知道理论如此但是不知道具体实现为何物。计算机工程的事儿，往往真的听再多毫无体感，看一遍代码就基本…- 1
- 0
-
我搭建了Karpathy的个人知识库，但发现成本高速度慢，我用一个更好的方案替代了。
你可能看过最近爆火的Karpathy 构建个人知识库的玩法。 看起来很厉害，对吧？ 但建完之后，然后呢？知识存进去了，摘要做完了，索引也整理好了，你用了吗？ Wiki 和真实世界没有任何连接，你可以问它问题，但又好像NotebookLM就可以做到。 本文作者提出了一种完全不同的思路，这得学习：不要存储知识，要把知识变成技能，嵌入你的日常惯例中去运行。 作者做了一个测试，拿同样一批素材、同样的目标，…- 0
- 0
-
多轮对话时，RAG反复做重复召回，模型层与Milvus层分别如何解决？
做 RAG 的团队，基本都会在多轮对话上吃过亏。前几轮还表现不错，到了第四、五轮，AI 开始重复自己的历史回答内容。比如用户追问细节，系统把已经给过的段落又搜了一遍，换个说法再输出一遍。其实，这其中的问题不出在模型，而是因为检索系统没有记忆。每一轮对话，它都当作第一次在检索。这篇文章从阿里通义团队的多模态检索框架 VimRAG 的一个具体发现切入，聊聊多轮 RAG 里重复召回这个问题，以及用 Mi…- 0
- 0
-
基于知识图谱增强RAG应用和构建RAG知识库（实践分享）
导读 本文是AI落地实践的优秀案例，利用RAG技术（Retrieval-Augmented Generation，检索增强生成）的知识库实践为背景，介绍了RAG技术的发展及存在的不足，以及知识图谱相关的知识，利用RAG技术去完善和智能化知识图谱。在AI技术大量涌现，但应用不足的情况下，指明了现有应用场景、技术与AI结合的具体做法。作者：党宏雷某银行软件开发中心研发部架构师，十余年系统建设及架构设…- 1
- 0
-
用RAG的思路做agent知识管理，为什么跑不通
有多少人在用RAG系统的思路，做Agent的知识管理系统？起手就是文档切分、向量化，然后接下来存向量库，最后检索召回，得到最相关的topK片段给到大模型。然后立刻发现，agent场景中，相似度高，并不一定等于正确。一旦出现跨页面答案，或者几个chunk拼合一起，才能组成正确答案的情况，传统RAG流程，就会力不从心。原因很简单，RAG的这套逻辑是做简单、被动查询用的，不是给Agent用的。Agent…- 3
- 0
-
YC CEO 的 AI 记住了 3000 个人
最近，Garry Tan 在 X 上发了一条推文，附了一个 GitHub 链接。没有长文预告，没有产品发布会，就一句话：「这是我每天用的 AI 系统，源码全在这了。」5300 个 star，几天而已。Garry Tan，Y Combinator 现任 CEO。就是那个孵化了 Airbnb、Stripe、Dropbox、Reddit 的 YC。一个管着几千家创业公司的人，把自己的 AI 记忆系统开源…- 2
- 0
-
AI 答疑助手优化实践：从 RAG 到 LightRAG 的全链路升级
本文针对传统RAG存在的意图识别模糊、知识碎片化及缺乏评测闭环等痛点，提出了一套系统性解决方案：首先，利用思维链（CoT）驱动的意图识别，将用户问题分解为多步逻辑查询并行检索，解决了上下文工程中查询不精准的问题；其次，在检索架构上，对比了GraphRAG高昂的构建成本与维护难度，文章重点阐述了LightRAG的落地实践，通过实体关系抽取与双层检索范式，在保留图结构优势的同时实现了秒级响应与增量更新…- 3
- 0
-
阿里云百炼「记忆库」正式上线，让龙虾真正记住你！
今天，阿里云百炼正式上线「记忆库」功能，让Agent具备跨会话的长期记忆能力，真正实现「越聊越懂用户」的个性化体验。现在，「记忆库」功能限时免费向所有用户开放，用户可通过API直接调用，或通过OpenClaw等Agent产品一键安装。阿里云百炼推出的「记忆库系统」内置了「提取-存储-检索-注入」四大模块，用户每次与AI Agent对话结束后，系统可根据配置的记忆规则自动提取关键信息并存储，并根据用…- 6
- 0
-
用Karpathy的设计哲学重构龙虾助手的知识库架构
在龙虾狂热传播的今天，我们面临一个现实问题：云端API的token成本让持续使用变得极其昂贵。我构建的这套系统，基于Andrej Karpathy的本地化知识库设计哲学，实现了完全本地化的AI能力。这不是概念验证，而是可以日常使用的完整工作流程。PART 01设计逻辑的工程本质这个本地最小化知识库能够处理文本和PDF，完全由本地语言模型和嵌入模型驱动。最令人惊讶的是，这个最小化系统设计思维的实战演…- 3
- 0
-
AI数据工程师在应用中如何"返璞归真"
阿里妹导读本文反思了“知识库+Prompt工程+工具调用”这一轻量级Agent构建模式的局限性，指出其难以应对真实业务场景中的知识质量、语义理解与规模化维护挑战。（本文内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）一、引言：Agent热潮下的实践反思回顾过去2–3年，AI演进速度堪比代码提交频率——快的甚至让人来不及写“注释”。在这波浪潮中，“AI Agent”迅速从学术圈的…- 3
- 0
-
AIOps探索：分享一套保障100%准确率的告警知识检索方案
研究AIOps已有数月，目前手里有不少可落地的方案了，接下来会把这些方案全部整理到我的大模型课程里。欢迎大家把你遇到的场景在评论区留言。我会在能力范围内给你提供思路和建议。经常看我公众号的朋友应该知道，这段时间我整理了很多关于AIOps的一些感想，同时也了解到了不少企业或者团队遇到的问题。其中最为典型的问题就是关于告警以及根因分析。可能对于小规模应用或者平台来说，问题很好解决，因为体量不大，系统复…- 7
- 0
-
全网爆火的大模型AI知识库，保姆级教程来了
构建Karpathy大神同款AI知识库Karpathy 发了一条推文，分享了他近期重点在用 AI 构建个人知识库，短短两天，全网千万人观看。“我最近发现一件非常有用的事：用 LLMs 为各种研究主题建立个人知识库。这样一来，我最近的大部分 token 使用量更多地用于处理内容，而不是编写或修改代码。”然后就在昨天，他公开了整个构建的思路：思路很简单：不要把笔记分散在各种应用里，而是全扔进一个文件夹…- 2
- 0
-
RAG进化了，深扒Claude Code源码中RAG高级技巧
本文基于对Claude Code源码的深入分析，揭示其如何将RAG从"外挂知识库"升级为"操作系统级内存管理"。最近，Claude Code的源码被动开源，引发了广泛关注。在深入分析其源码后，我们发现它完全颠覆了传统RAG（检索增强生成）的玩法。传统RAG大多停留在"文档切分、向量库存储、相似度检索"的初级阶段，而Claude Code则…- 5
- 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：×