-
Java 开发者的轻量级 RAG 方案：MeiliSearch 混合搜索实战
构建高质量的 RAG(检索增强生成)系统,混合搜索策略是绕不开的技术选型。纯向量语义搜索虽然能理解用户意图,但在处理精确匹配场景时表现不佳。当用户搜索特定的错误代码、API 方法名或产品序列号时,向量搜索往往会召回大量语义相关但实际无用的结果。纯 BM25 关键字搜索则相反,它能精确匹配字面内容,但无法理解同义词、上下文和用户的真实意图。搜索"如何优化数据库性能"时…- 2
- 0
-
上下文腐烂：拖垮企业AI与LLM表现的隐患与对策
文章指出，企业AI和LLM面临“上下文腐烂”问题，即过多或冲突数据导致AI性能下降、产生幻觉和延迟。解决之道在于数据治理和上下文质量管理，确保AI获取最相关信息。译自：How context rot drags down AI and LLM results for enterprises, and how to fix it[1]作者：Todd R. Weiss当今最常引用的商业箴言…- 3
- 0
-
从向量里逆向出原始文本和模型来源
🔬 在线 Demo: embedding-inversion-demo.jina.ai📊 技术报告: jina.ai/news/embedding-fingerprints 📊 技术报告: jina.ai/news/embedding-inversion 📄 论文: arxiv.org/abs/2602.11047 💻 代码: github.com/jina-ai/e…- 1
- 0
-
如何用 AI 做业务级 Code Review
Code Review 遇到的挑战对于核心的业务项目来说，Code Review (代码评审) 是必不可少的。但现实中的代码评审时常常被以下几件事所困扰：Diff 太多，看不过来开类似的 Bug 出现过，复盘文档也有，然而新人不知道，老人记不清AI 不懂业务，不能给出实质性的建议因此，我们希望打造一个有记忆、懂业务、还看过你们线上事故的评审的 AI 助手，让它帮我们守最后一道门。核心链路：从 gi…- 1
- 0
-
AIOps探索：做运维领域的RAG，如何做数据清洗
研究Aiops有一段时间了，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。同时，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。上一篇文章说了，做AIOps，不要忽略做运维RAG，但是做RAG的关键在于如何搞到高质量的数据。而数据无外乎来自于各种各样的文档、邮件、工单、故障复盘、IM聊天记录等等。很多人做 RAG，一上来就研究模型、Embedd…- 0
- 0
-
Claude Code 每次都要重新探索代码？这个工具直接省下30%成本
用 Claude Code 写代码最烦的是什么？ 不是它写不出你想要的函数，也不是它偶尔犯傻。是每次开新会话，它都要像个无头苍蝇一样，重新探索一遍你的整个代码库。 你看着那个进度条： 探索 /src/api/ 结构... 探索 /src/components/ 结构... 探索 /src/database/ 结构... 每次。 每次都要花一两分钟，每次都要烧掉十几万 tokens，每次都要等它把文…- 2
- 0
-
函数计算 AgentRun 重磅上线知识库功能，赋能智能体更“懂”你
阿里云函数计算 AgentRun 正式推出全新知识库功能，为智能体（Agent）注入更强的语义理解与上下文感知能力。通过深度集成百炼知识库与 RAGFlow 知识库，AgentRun 让开发者能够轻松构建具备“知识”的智能应用，真正实现“更懂用户、更贴场景、更高效响应”。为什么需要知识库？Cloud Native在传统智能体开发中，模型往往依赖通用训练数据，缺乏对特定…- 4
- 0
-
查个问题还要全图跑一遍？DA-RAG说我只取一瓢
当前主流的GraphRAG（如微软GraphRAG、ArchRAG）存在一个致命缺陷：它们依赖离线预计算的静态社区划分。就像把图书馆的书籍提前分好类贴上标签，当用户问"某跨部门项目的人员协作情况"时，系统只能机械地返回预设的"部门A"或"部门B"信息，而无法动态整合跨边界的关键内容。更基础的G-RAG方法（如LightRAG、HippoR…- 3
- 0
-
走进 OceanBase 向量背后的算法库 —— VSAG
向量搜索技术，被认为是海量非结构化数据检索的关键技术之一，这会涉及到高维空间的搜索问题，通常会通过近似最近邻搜索（Approximate Nearest Neighbor Search, ANNS）的方式来在高维空间中进行检索，以此来找到满足要求的数据。随着 AI 应用场景的发展，半结构与非结构化数据的涌现，向量数据库成为 AI 时代重要的数据基座。在 VectorDBBench 基准测试中，Oc…- 4
- 0
-
Data Agent Ready Database：下一代企业数仓架构
如果说 2025 年是数据库的 AI Ready 元年（向量检索、AI 函数成为标配），那么 2026 年将是 Data Agent Ready 的开端。随着 Cursor、Codex 和 Claude Code 等编程 Data Agent 的兴起，以及各类数据分析 Data Agent 的普及，越来越多的数据库操作正在被 AI 接管。但企业级场景与个人实…- 3
- 0
-
丢掉向量数据库！PageIndex 开启“推理型 RAG”新时代，长文档分析准确率高达 98.7%
做过 RAG（检索增强生成）开发的同学，大概率都经历过这种痛苦：为了处理一份几百页的专业文档，你需要不断地调整切片大小、重叠度，还要折腾各种向量数据库和嵌入模型。可即便如此，AI 依然会给出驴唇不对马嘴的回答，或者在关键信息上“胡说八道”。究其原因，是因为传统的向量检索本质上是寻找“语义相似度”。但在处理法律条文、金融报告或技术手册时，相似并不等同于相关。真正的精准检索需要的是逻辑推理…- 4
- 0
-
向量，向量化，向量数据库和向量计算
最近大家都在All in AI，我们的业务系统也要开始接入AI助手，伴随AI的向量数据库突然就变成了我们运维团队的下一个重要目标，向量，向量化，向量数据库和向量计算这些概念扑面而来，下面我们就一个个的解读下。向量化计算我们先看看这个向量计算，它本身和大模型无关，最初是在Clickhouse中注意到这个概念的，这个是Clickhouse的一个核心特性，现在其实很多大数据的计算引擎和数据库都支持向量计…- 2
- 0
-
别再迷信向量数据库了，RAG 的“大力出奇迹”该结束了
说真的，现在的 AI 圈子有点浮躁。只要是个做大模型的，开口闭口就是 RAG（检索增强生成）。确实，为了解决 LLM 那个像金鱼一样的短时记忆和一本正经胡说八道（幻觉）的毛病，RAG 几乎成了标准配置。但在过去这一年里，有多少公司的 RAG 方案是真的“能用”的？如果你在做金融研报分析、法律合同审查，或者哪怕只是想让 AI 读懂几十页的内部手册，你一定被那个叫向量检索（Vector S…- 3
- 0
-
告别黑盒开发！清华系团队开源 UltraRAG：用“搭积木”的方式构建复杂 RAG 流程
在生成式 AI 领域，RAG（检索增强生成）早已不是新鲜词汇。但真正动手做过项目的同学都知道，想要搭建一个能在生产环境稳定运行、逻辑复杂的 RAG 系统，往往需要编写大量繁琐的胶水代码。更头疼的是，一旦涉及到循环判断、多级检索等复杂逻辑，系统往往就变成了难以调试的“黑盒”。为了解决这些痛点，清华大学 THUNLP 实验室、东北大学 NEUIR 实验室、OpenBMB 以及 AI9sta…- 4
- 0
-
RAG优化不抓瞎！Milvus检索可视化，帮你快速定位嵌入、切块、索引哪有问题
最近，在GitHub上发现一个宝藏项目Project_Golem 。一直以来，RAG 是解决知识时效性、事实性问题的核心方案，但RAG 调试的黑盒却一直是个问题：我们只能看到相似度分数，却无从知晓文档在向量空间的实际分布，更搞不懂为什么是这些文档被召回、为什么核心文档会漏召 / 误召，调优全凭经验瞎猜。那么，到底是embedding模型选错了？chunking大小不合理？还是检索过程的索引算法选的…- 1
- 0
-
Fusion GraphRAG：超越 GraphRAG 的多模态企业级 AI 问答
今天我们不谈基础的图数据库概念与应用场景，而是聚焦于一个更前沿的融合领域——基于图的 RAG 平台。在大型语言模型席卷全球的当下，企业面临的核心挑战已从如何搭建一个大模型转变为如何安全、高效、低成本地使用大模型处理私有知识。一、当前大模型落地的现实路径面对私有化部署和知识更新问题，目前主要有两种路径：微调与纯接口调用。微调：成本高昂、流程复杂，文档的每次更新都可能触发重新训练纯接口调用：无法触及企…- 2
- 0
-
Semantic Kernel内存管理系统——为AI注入持久记忆与上下文感知能力
1. Memory系统核心概念与设计哲学Memory是Semantic Kernel框架中让AI应用真正具备"智能"的核心组件。与传统计算的缓存机制不同，Semantic Kernel的Memory系统模仿了人类的记忆过程，能够让AI模型记住历史交互、检索相关知识，并在后续决策中利用这些信息。1.1 什么是AI中的Memory？在Semantic Kernel中，Memory不…- 2
- 0
-
AgentSkills 揭示的真相：上下文工程走错了三年
一个反直觉结论：你越少喂上下文，Agent 反而越能干。RAG 很努力，但结果不稳定很多公司做知识库问答（RAG）都是“拼命三郎”：• 文档格式化• 索引调参• 检索融合• 还要给模型加反思链但最后呢？要么“找不到”，要么“胡编”。所以我们换个脑回路：不去替模型管上下文，而是给它一个可探索的文件系统。Agent 只拿一个最小起点，剩下的让它自己找。换句话说：你负责把食材放进冰箱分门别类…- 3
- 0
-
Langgraph从零开始构建第一个Agentic RAG 系统
使用自定义工具和向量数据库创建Agentic RAG 系统的分步指南，让它学会向人一样不断思考连续调用不同工具解决问题智能体人工智能正在迅速普及，现在是时候进行另一次详细的教程了，这不仅能帮助你构建你的第一个智能体 RAG 系统，还能让你深入了解它的组成部分。我们的教程从 RAG 开始，再过渡到Agentic RAG 。LLM 的内部知识有限，它基于训练数据和上下文长度。为了确保LLM能…- 2
- 0
-
大模型在需求分析与设计中的提效实践
一、背景介绍随着 AI 技术的快速发展，越来越多的企业开始积极探索如何利用 AI 优化产品开发流程。从初期的产品需求文档（PRD）撰写、系统分析与设计，到高质量代码的生成，AI 正逐步渗透到开发全流程，构建起一个完整的“AI辅助开发生态”，显著缩短开发周期。在传统开发流程中，PRD 和系统分析文档的设计以及编码实现需要人工拆解、设计和开发，这不仅易产生理解偏差和重复工作，还存在效率低下、质量不稳定…- 2
- 0
-
GraphRAG：让 RAG 看见"关系网络"的技术进化
GraphRAG：让 RAG 看见"关系网络"的技术进化最近在折腾 RAG 相关的东西，发现一个挺有意思的现象——传统 RAG 在处理某些问题时简直就是"智商掉线"。举个具体的例子。我拿《三体》第一部做了个测试（注：选第一部是因为它够短、人物关系也相对简单，方便验证想法，不想被后面那两部复杂的剧情搞晕）：问它"叶文洁是怎么联系上三体文明…- 1
- 0
-
企业级 AI 知识库问答，是不是面子工程？ – 是也不是
2025年到现在，大模型在企业落地已经进入深水区，绝大部分场景因为建设难度难以成为CIO们眼中合适的大模型速赢项目，AI知识库问答成了大家的首选 – 既满足了大家对AI的想象，又很难失败。如果我们回归价值产出时，我很负责任的说，知识库项目是非常难“成功”的 - 它是一个非刚需、无直接价值产出、无当前场景替代的功能。即使如此，我仍然认为知识库问答是企业AI速赢…- 1
- 0
-
SentGraph：一句一句把多跳RAG“画”成图
为什么传统 RAG 会“断链”单跳场景：把文档切成 200 字左右的 chunk，做向量相似度检索 → LLM 直接答，够用。多跳场景：需要把 2-4 份文档里的证据拼成一条“推理链”。chunk 粒度粗，一次就带回一整段，里面 60% 是干扰句，关键句反而被淹没 → 链条断了，LLM 开始“胡编”。作者一句话总结：“不是检索不准，是检索单元太胖，逻辑关系太乱。”传统 chunk 图 …- 3
- 0
-
增强型RAG还是Agentic RAG？一场关于检索增强生成系统的全面对比实验
当LLM遇到知识库，检索增强生成(Retrieval-Augmented Generation，RAG)系统应运而生。但随着技术演进，两种截然不同的范式正在争夺主导地位：一种是通过精心设计的模块链条逐步优化的"增强型RAG"，另一种是让LLM自主决策、动态调整的"Agentic RAG"。哪种方案更值得采用？成本与性能如何权衡？论文通过大规模实验给出了答案。…- 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：×