-
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
-
一文搞懂大模型：何为深入理解RAG？
当你看到大模型应用开发招聘JD中"深入理解RAG"这个要求时，HR和技术面试官到底在考察什么？本文为你拆解RAG技能的各个层级，明确什么才算"深入理解"。一、理解层级：你在哪一层"深入理解RAG"并不是一个模糊的概念，而是有着清晰的能力层级划分。不同级别的岗位对"深入理解"的要求完全不同。Level 1：概念理解（入门…- 0
- 0
-
高质量AI知识库应用的前提：选对向量数据库
在构建RAG检索增强生成系统时，向量数据库几乎是必选组件。它负责存储和检索向量化的内容，直接影响检索结果的相关性和系统性能。选型不当，可能导致查询不准、响应缓慢、扩展困难等问题。本文将几款主流工具的向量数据库路线、适配场景和使用建议进行了系统整理。读完后，你可以直接判断应该选择哪一种。 向量数据库的核心作用向量数据库的核心能力是存储embedding并在查询时快速找到语义相似的内容。在RAG系统中…- 0
- 0
-
RAG是个糟糕的概念，AI 应用的真正王牌是上下文工程
AI大模型浪潮汹涌，RAG（检索增强生成）无疑是过去一年最火热的概念之一。几乎所有人都认为，RAG是构建可靠AI应用，解决大模型“幻觉”问题的“银弹”。然而，AI原生向量数据库Chroma的创始人Jeff Huber，却在一次顶级播客访谈中语出惊人：RAG是一个糟糕的概念，它让开发者忽略了真正重要的事情。Jeff认为，当下所有顶尖的AI初创公司，真正擅长且赖以成功的核心能力，其实是另一…- 0
- 0
-
从3%到80%：揭秘Vanna如何用RAG技术革命性地解决AI生成SQL的准确率难题
❝"在数据驱动的时代，让AI理解你的数据库就像教会外星人说人话一样困难。但Vanna做到了，而且做得相当优雅。"引言：当ChatGPT遇上企业数据库的"水土不服"想象一下这样的场景：你兴冲冲地打开ChatGPT，输入"帮我查询一下德国有多少客户"，期待着AI能够生成一条完美的SQL语句。结果呢？AI给你返回了一个看起来很专业的查询：SEL…- 0
- 0
-
对话式 RAG：让你的问答应用更“聪明”
在很多问答（Q&A）应用中，用户希望和机器人进行自然的多轮对话。这意味着应用不仅要能回答单个问题，还需要具备“记忆”功能，把过去的问题和答案利用起来，才能让对话连贯。本文将介绍如何在 RAG（Retrieval-Augmented Generation，检索增强生成） 的基础上，扩展支持对话交互。🔑 核心思路传统的 RAG 通常是这样的流程：👉 用户输入问题 → 检索文…- 0
- 0
-
Agentic RAG 开发实践（查询重写、多路召回、路由决策、质量评估、多步重查）
RAG（Retrieval-Augmented Generation，检索增强生成）是一种将 检索技术与 生成式 AI结合的技术框架。其核心流程包括：存储阶段：对输入文档进行清洗、分块等预处理，并存入知识库；查询阶段：接收查询请求后，通过检索系统获取候选结果，再交由生成式 AI 处理，输出逻辑性更强、可读性更好的答复。在实际应用中，单纯的 RAG 系统往往存在 查询质…- 0
- 0
-
大模型应用开发之RAG基本原理
写在前面在大模型应用开发领域，RAG技术栈在其中具有很重要的地位，本文主要通过介绍带大家了解一下什么是RAG技术，RAG技术栈的整体流程，希望对于想要学习RAG技术的你提供帮助。什么是RAGRAG，全称为Retrieval-Augmented Generation（检索增强生成），是一种结合了 “信息检索” 与 “生成式 AI” 的混合 AI 技术。它的核心目标是解决传统大语言模型（L…- 0
- 0
-
从 EchoLeak 到 AgentFlayer：RAG 系统面临的间接 Prompt 注入威胁与防御
随着大模型进入生产环境，RAG（Retrieval-Augmented Generation）已成为降低幻觉、提升准确性的主流手段。同时，由于 AI 可访问更广的企业数据，新的攻击面同步扩大。2025 年 6 月 11 日，Aim Security 披露了 Microsoft 365 Copilot 的“零点击（Zero-Click）”间接 Prompt 注入漏洞 EchoLeak（CV…- 0
- 0
-
数据"烹饪"艺术：如何为RAG系统准备完美食材
你有没有想过，为什么有些AI助手回答问题特别准确，而有些却经常答非所问？昨天我朋友跟公司 AI 客服说“我要请年假”，AI 立刻回了一大段“年假规则第 3.2.1 条、申请入口在 HR 系统→假勤管理→新建流程、需提前 5 个工作日……”他当场头大——全是正确却用不上的说明书式答案，还不如直接甩给他请假按钮。这让我想起一个很形象的比喻：如果把RAG系统比作一个图书馆，那么数据预处理就是…- 0
- 0
-
Passage Injection：让RAG系统在噪声数据中仍保持清醒的推理能力
碎碎念｜持续学习、持续分享一句话概括：论文提出的 Passage Injection 方法通过将检索到的段落明确融入大型语言模型的推理过程，在四种事实问答数据集上显著提升了检索增强生成（RAG）系统的整体性能，尤其增强了模型对含噪声段落（包括随机噪声和反事实噪声）的鲁棒性，同时还能有效利用有用段落。 摘要：检索增强生成（RAG）已广泛应用于为大型语言模型（LLM…- 0
- 0
-
RAG关键技术：向量+标量混合检索
前言：RAG（Retrieval Augmented Generation，检索增强生成）是一种结合了信息检索和生成式模型的技术，能够在大模型生成答案时利用外部知识库中的相关信息。它的工作流程可以分为几个关键步骤：解析与切片、向量存储、检索召回、生成答案等。1. 什么是向量+标量混合检索？混合检索（Hybrid Search），特别是向量+标量混合检索，是一种结合了语义相似度检索（向量检索）和精确…- 0
- 0
-
RAG关键技术：问题改写（Query Rewriting/Transformation）
前言：问题改写是 RAG 系统中不可或缺的“桥梁”技术，它连接了“用户语言”与“知识库语言”，显著提升了检索的相关性和系统整体性能。掌握并合理应用问题改写方法，是构建高效、智能 RAG 应用的关键一步。1、问题改写（Query Rewriting/Transformation）简介问题改写（Query Rewriting/Transformation）是信息检索、对话系统和RAG（检索增强生成）中…- 0
- 0
-
RAG 已死，上下文工程当立
朋友们好，今天给大家带来最新的 Latent Space 的一期播客的内容，这期内容非常有价值，跟当下最火的概念，上下文工程，息息相关。同时内容里也提到了 RAG，Memory 等这些非常核心的要素。他们采访的对象是 Chroma 的创始人，Jeff Huber, 来分享一些他的观点。 原视频地址： https://www.youtube.com/watch?v=pIbIZ_…- 0
- 0
-
小白也能轻松看懂的RAG！！！
1. 引言你刚刚入职，准备在公司大展拳脚，让同事们见识一下新人的能力，于是你主动去问领导有没有什么学习资料，领导非常高兴，给了你一大堆祖传文档让你自己去看。你看了一天才看完一个屎山文档，还剩下一大堆文档等着你去看，你顿时感觉到无从下手，总不能把美好的生命都浪费在看这些屎山文档上吧。这时你忽然想起来，现在不是有大模型嘛，直接问大模型不就好啦，于是你满怀期待的把问题丢给无所不能的大模型，但是得到的回答…- 0
- 0
-
让AI更懂业务：LinkAI对知识库RAG技术的优化实践
RAG（Retrieval-Augmented Generation，检索增强生成）技术经过近两年的快速发展，已经从初期的概念验证阶段进入到了大规模企业级应用的关键时期。在这个过程中，单纯依靠简单的文档切分和基础的向量检索技术已经无法满足企业对于知识库问答质量和AI智能体输出效果的要求。伴随着长期的技术迭代和客户实践，相较于去年介绍的RAG基础优化方案，LinkAI平台对RAG技术和知识库能力的进…- 0
- 0
-
RAG生产环境实战指南：从Demo到百万用户的血泪教训
30万亿人民币的AI蛋糕，为什么你吃不到？你是某大企业的AI负责人，刚刚向CEO展示了一个酷炫的RAG demo。CEO眼睛一亮："太棒了！下个月我们就用AI替换掉一半的客服团队！"你的内心：😱这就是今天我们要聊的故事。一个关于RAG系统如何从"哇，好厉害！"的demo，变成支撑百万用户的生产级系统的血泪史。我们的主人公小王让我给大家介绍今天的主人公——小王…- 0
- 0
-
从召回一堆噪音到提升精准度：我的RAG从Embedding-Only到引入Rerank的实践和思考
写在前面： 这篇文章对于很多资深技术人来说，可能有点“小儿科”，但我还是想分享出来。因为它不仅记录了一次技术方案的演进，更重要的是，它是我自己当时最真实的认知成长过程。在项目开发里，我们常说一句话：版本1.0，永远只是个开始。任何一个从“能用”到“好用”的项目，都必然经历一个不断发现问题、解决问题、持续迭代的过程。今天这篇文章，不算是一篇纯粹的技术分享，我更想把它看作是一段刚接触RAG项…- 0
- 0
-
从“数据拼凑”到“精准断案”：深度剖析RAG系统中信息完整性的关键作用
最近在做智能缺陷查重的项目过程中，遇到一个有意思的问题，尽管采用了精心设计的Prompt和强大的LLM，模型在返回重复缺陷时，仍产生数据不一致的“拼凑”结果。通过层层递进的分析，发现问题的根源并非出在Prompt工程或模型本身，而在于RAG数据库中的“信息断层”。这里将问题分析与调试过程记录下来，与大家共享。一、背景：软件工程中“重复缺陷”的治理困境在专有云产品版本演进过程中，重复缺陷的识别与管理…- 0
- 0
-
10分钟搞定！5步让Dify知识库准确率飙升90%，彻底告别AI胡说八道
摘要：朋友们，是不是经常被自己搭建的AI知识库气得血压飙升？用户问：“你们这个产品的保修期是多久？”AI答：“我们的产品质量卓越，享誉全球，终身为您提供优质服务。”（实际保修只有一年）用户问：“请总结一下2023年的财务报告第三季度数据。”AI答：“根据资料，2023年第三季度我们营收...（开始一本正经地编造数据）”疯了！真是疯了！这种“一本正经地胡说八道”，在RAG（检索增强生成）领域我们称之…- 0
- 0
-
别再往AI的知识库塞奇怪的东西了，什么样的知识适合作为RAG知识库？
day16/100不要再往AI的知识库塞奇怪的东西了，什么样的知识适合作为RAG知识库？昨天的文章讨论了知识库构建过程中的一些误区，而其中最重要的一点就是知识库的信息选取。虽然说信息收集和数据清洗最终大多是由程序自动化完成的，但程序筛选的策略决定了最终的知识库到底是金矿还是垃圾场很多时候，搭载了知识库的智能题仍然胡言乱语，问题往往不在于RAG技术的本身，在于错误的粮草——知识库的内容选错了，哪些知…- 0
- 0
-
RAG（检索增强）当主要的问题以及评估方法
RAG（检索增强生成）虽然极大地提升了大型模型（LLM）回答问题的准确性和时效性，但在实际落地过程中，它远非一个完美的解决方案。下面，我们将详细梳理当前 RAG 系统遇到的主要问题，以及业界为解决这些问题而探索出的先进解决实践和涌现出的优秀开源产品。一、 当前 RAG 系统面临的核心问题RAG 的问题可以归结为一句话：“垃圾进，垃圾出”（Garbage In, Garbage Out）。这个“垃圾…- 0
- 0
-
告别知识库"大海捞针"！Dify元数据过滤让RAG检索效率翻倍
引言你的dify知识库是不是经常让你感觉像在"大海捞针"？明明上传了几千份文档，但每次查询都要翻遍整个知识库才能找到想要的信息？用户问个简单问题，系统却返回一堆不相关的内容？别担心，这个痛点终于有解了！2025年3月18日，Dify发布了v1.1.0版本，引入了革命性的"元数据过滤"功能。这个功能就像给你的知识库装上了"智能导航系统&q…- 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：×