-
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
-
RAG 为何能瞬间找到答案？向量数据库告诉你
了解 Hierarchical Navigable Small World (HNSW) 算法如何为当今的 RAG 系统提供动力Retrieval-Augmented Generation (RAG) 是为 Large Language Models (LLMs) 添加外部知识的重要工具。几乎每个 RAG 系统都包含一个向量数据库，用于执行 semantic search。在这种搜索中…- 0
- 0
-
寻找RAG通往上下文工程之桥：生成式AI的双重基石重构
序：当知识不再“固态”——AI进入上下文时代你是否曾遇到这些问题：• AI的回答听起来像真的一样，但仔细一查却是假的？• 提问再多遍，它都只会重复同一套说辞？• 想让它解释一个专业概念，结果讲得和外行一样模糊？这正是生成式AI在企业应用中最现实、最痛彻的问题。它们的核心局限，不是不会表达，而是没有足够新鲜的事实支撑，也没有足够明确的意图引导。于是我们看到了两个方向的崛起：检索增强生成（RAG）&n…- 0
- 0
-
自适应RAG：用本地 LLM 构建更聪明的检索增强生成系统
大模型越来越强大，但它们依旧有一个致命短板：知识更新慢。如果直接问 ChatGPT 之类的模型一个近期事件的问题，它很可能答不上来。这就是为什么 RAG（检索增强生成） 变得重要 —— 在回答问题之前，先去找相关资料，再让模型结合这些资料生成答案。不过，RAG 并不是“一刀切”的方案：有些问题根本不需要检索（比如定义类问题），有些问题需要一次检索就能解决，而另一些则需要多次尝试…- 0
- 0
-
使用RAG构建高质量知识库（四）- 数据检索
咱们的知识库，经过清洗、分块、向量化后，已经存入向量数据库中了。那么如何检索和召回这些知识？今天就来聊聊RAG的检索策略。检索前优化如果想要达到比较好的检索效果，首先需要对检索的query进行优化。常见的优化策略如下：原始问题改写通常在检索知识库之前，会需要调用大模型，结合上下文对用户的问题进行改写和优化。# 原始对话Q: 请给我推荐一门编程语言A: pythonQ: 我该如何开始？----# 说…- 0
- 0
-
RAG检索后如何应用更有效？
1 引言一、核心背景：RAG的价值与关键痛点1. RAG的核心作用检索增强生成（RAG）是提升大型语言模型（LLMs）在知识密集型任务（如需要大量事实支撑的问答、文档生成）中性能的重要技术，它通过为LLMs补充外部检索到的知识，解决了模型参数内知识有限或过时的问题，已成为该领域的主流方法之一。2. RAG的致命痛点：噪声段落的干扰尽管RAG有效，但检索到的文档质量无法保证——存在“低质量噪声段落”…- 0
- 0
-
RAG 不止能检索！它还能在 LangGraph 中当“工具调用大脑”
Retrieval-Augmented Generation（RAG）是一种结合信息检索和大型语言模型（LLMs）来回答用户查询的方法。传统上，这涉及将检索器直接连接到生成流水线。然而，通过 LangGraph 和 LangChain，我们可以进一步模块化这个过程，将检索器暴露为一个可调用的工具。在这篇博客中，我将展示如何在 LangGraph 中使用工具调用实现一个 RAG 系统。我…- 0
- 0
-
RAG进阶神技：让AI自动将“人话”翻译成SQL和Cypher查询！
在我们之前的文章中我们已经了解了两种预检索的优化策略。比如怎么“翻译”用户那七零八落的问题，还有怎么做一个聪明的“导航员”，把问题带到正确的数据源。那么，现在问题来了，我们知道去哪里找数据了，那我们如何查不同类型的数据呢？这就是我们今天想聊的另一种预检索优化策略：查询构建（Query Construction）。在本文中，我们将聚焦于如何将用户的自然语言问题，翻译成数据源能理解的那套"行…- 0
- 0
-
如何将 RAG 检索召回率从 50% 提高到 95% 以上
在本文中，我会分享一些改进 RAG（检索增强生成）应用程序中检索的出色技术。最近在一个客户项目中使用了这些技术，将系统的召回率从大约 50-60% 一直提高到 95% 及以上。召回率对于任何 RAG 应用程序来说都是一个非常重要的指标。它虽然只是衡量检索系统为给定用户问题进行搜索或找到正确文档的能力。但是，这会强烈影响生成的结果的好坏——无论我们是在构建聊天机器人还是其他类似的应用。大多数人现在都…- 0
- 0
-
告别“搜不到、搜不准”：用这套查询优化，让你的RAG检索召回率飙升
引言在AI的世界里，有句老话叫“Garbage In, Garbage Out”。对于RAG系统而言，检索环节就是那个“In”，如果检索不到精准、全面的信息，那么即便是最强的LLM也只能望“材”兴叹，甚至开始一本正经地“胡说八道”，俗称产生幻觉。 本篇将聚焦于检索前和检索中的优化，从数据的源头和查询的入口解决“找不到”和“找不准”的核心痛点。一：优化数据源：索引构建的最佳实践核心痛点：粗暴地按固定…- 0
- 0
-
比RAG提升27.4%，阿里等ComRAG利用“质心式”记忆机制实现实时社区问答
社区问答（CQA）平台（如 Stack Overflow、AskUbuntu）沉淀了大量高质量知识，但在工业界落地时仍面临三大挑战：静态知识不足：仅靠官方文档难以覆盖真实业务场景的“坑”。历史 QA 质量参差不齐：早期答案可能已被更好答案取代。实时性 + 存储爆炸：新问题持续涌入，如何快速检索并控制存储增长？现有方法要么只检索社区历史，要么只用静态文档，缺少“动态反思 + 高效存储”的机制。Com…- 0
- 0
-
如何评估RAG系统：给你的AI助手做个"体检"
你有没有好奇过，为什么ChatGPT总能回答那些它"不应该"知道的问题？比如最新的新闻、你公司的内部资料？其实啊，它有个小秘密——背后有个超级勤快的"图书管理员"在帮忙。你一问问题，这个管理员就飞快地翻遍所有资料，找到相关内容，然后AI再基于这些资料给你答案。这个"图书管理员"就是RAG系统。但是，怎么知道这个助手靠不靠谱呢？…- 0
- 0
-
RAG知识库不等于数据库！90%企业都在做无用功
"我们花了300万上AI系统，结果还不如Excel好用。" 上周在一个技术交流会上，某制造业CTO的这句话引起了全场共鸣。台下不少人都在点头，看来大家都有类似的"血泪史"。 这种场景你熟悉吗？公司高层拍板要做AI转型，技术团队加班加点搭建系统，最后却发现AI助手经常"胡说八道"，业务部门宁愿回到传统工作方式。钱花了，人…- 0
- 0
-
提升 Dify 应用 RAG 召回质量的实践
💡 目录 💡 01 dify 内置 RAG 引擎的局限 02 通过 AI 网关帮助 Dify 应用 “开挂” 03 实操指南与效果展示 04 总结与展望Dify 是一款开源的 AI 应用…- 0
- 0
-
RAG 实现多语言客户端技术方案要点分析
场景RAG项目对应的目标客户群体是多个不同国家、不同语言，比如 英语、中文、德语等。开发RAG项目，该如何应对这种场景呢？一、知识库搭建1、知识库存储相关数据，是否要多语言存储？ 若能够提供多语言版本的知识源数据文档，建议各种语言都Embeddings向量化存储一份；可分在不同的表里，也可以在同一个表里。若无法提供多语言版本的知识源数据文档，或有些能有些不能，则只存储其中一份较为完善的文…- 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：×