-
MCP：从理论到实践
概述MCP这个词最近比较流行，在ragflow v0.18.0版本中，新增了MCP服务器，因此，花了两天时间，对MCP进行了一些调研。在之前分析Mauns产品时，提到过Mauns这种Agent产品一个很大的短板在于信息获取。一方面，Agent需要获取信息，需要自己通过网络搜索，这样搜索的信息既慢又不全面。另一方面，很多网站设置了登录门槛，Agent不登录获取不了信息；登录之后，又会出现安全性问题。…- 6
- 0
-
大模型RAG：基于大模型的机器人技术方案
一 机器人应用 机器人，或智能客服，已经广泛存在于各系统中。例如IM（钉钉、入流等）中的群机器人，可以实现关键词回复、基于webhook的自定义服务挂载等等；也有智能客服，用于解答用户的常见问题，节省人工成本；还有智能语音机器人，能够接收语音识别语义。 机器人的实现方案，也从固定的问题列表，到关键词回复，再到NLP+深度学习，都有比较成熟的技术方…- 4
- 0
-
使用CAMEL实现RAG过程记录
Customized RAG实现RAG需要有嵌入模型，为了简单验证，我这里使用的是硅基流动的嵌入模型。现在先来看看在CAMEL中如何使用硅基流动的嵌入模型。在.env文件中这样写：Silicon_Model_ID="Qwen/Qwen2.5-72B-Instruct"ZHIPU_Model_ID="THUDM/GLM-4-32B-0414"DeepSeek_…- 4
- 0
-
一文彻底搞懂智能体Agent基于ReAct的工具调用
前言AI智能体是指具备一定自主性、能感知环境并通过智能决策执行特定任务的软件或硬件实体。它结合了人工智能技术（如机器学习、自然语言处理、计算机视觉等），能够独立或协作完成目标。基于大语言模型（LLM）的Function Calling可以令智能体实现有效的工具使用和与外部API的交互。支持Function Calling的模型(如gpt-4，qwen-plus等)能够检测何时需要调用函数，并输出调…- 5
- 0
-
DeepWiki：AI深度搜索3万个代码库
在开发者工作中，浏览庞大的、不熟悉的GitHub代码库是一项常见挑战。标准文档如README通常缺乏深度或者很快过时，而仅通过手动检查来解析复杂代码库既耗时又容易出错。由Cognition AI（Devin的创建者）推出的DeepWiki旨在通过利用大规模AI分析自动生成全面、交互式的文档，来解决这一难题。只需简单地更改GitHub URL（例如，将github.com/owner/repo改为d…- 10
- 0
-
解决 AI 代码幻觉！用 Context7 获取最新文档，支持 MCP 调用
今天给大家介绍一款能显著提升 AI 辅助编程效率和准确性的神器——Context7。你是否也曾遇到过这样的窘境：兴致勃勃地让 AI 帮你写代码，结果它给出的要么是几年前的老旧语法，要么调用了早已不存在的 API？这不仅浪费时间，甚至可能引入难以察觉的 Bug。这背后其实是大型语言模型 (LLM) 的普遍痛点——知识截止日期。它们学习的数据通常不是实时更新的，导致对最新的库和框架“一无所知”。就像视…- 6
- 0
-
从RAG到KAG，认识知识增强生成技术的演进（上）
检索增强生成 RAG 和 知识增强生成 KAG 代表了当前大模型与外部知识结合的两代技术范式。随着大模型在专业领域的应用深入，传统 RAG 技术暴露出诸多局限性，而KAG作为新一代框架，通过深度融合 知识图谱 与 大语言模型，显著提升了专业领域问答的 准确性、逻辑性和可解释性。今天的这篇文章将系统分析RAG的局限性、K…- 7
- 0
-
MCP的四种攻击方法：MCE，RAC，CT，RADE
前边我们介绍了关于MCP的TPA相关漏洞，近日，有论文又介绍了四个MCP相关攻击方法，这些攻击允许入侵用户系统。攻击背景如上图，是一个比较典型的MCP的系统，用户使用MCP Client，通过MCP协议，与Mcp Server上的工具及LLM交互，形成完整的功能。本次四个攻击，集中在用户对Mcp Host的攻击上，通过Prompt即可获取Mcp Host(图中中间部分，是一台主机)上的权限，关键信…- 6
- 0
-
RAG技术：优化知识库，解决AI答非所问
在AI大模型席卷全球的今天，Retrieval-Augmented Generation（RAG，检索增强生成）作为一种融合检索与生成的技术，正成为企业和开发者提升AI能力的核心工具。然而，许多用户在使用RAG时却发现，AI的回答常常“答非所问”，甚至“驴唇不对马嘴”。究其原因，问题往往出在文档处理不当。本文将深入剖析RAG的原理、当前痛点，并重点分享如何通过优化文档处理（如统一文档格式）让RAG…- 4
- 0
-
AI 写代码总是翻车？Upstash 创始人怒推 Context7：给 LLM 喂上最新鲜的官方文档。
Upstash 联合创始人 Enes Akar 亲自下场安利自家新工具 Context7。他吐槽说，过去一年用 AI 编程助手写代码，感觉就像开盲盒——碰上模型训练截止日期前的老库还行，一用到新东西，AI 就开始瞎编 API、生成一堆跑不起来的破代码。就算你把新库的文档复制给 AI，效果也一般：文档太臃肿，容易超 Token 限制，还得一页页喂，AI 根本抓不住重点。比如 Claude 3.5 可…- 5
- 0
-
葵花宝典之「知识库」调优秘籍！RAG优化指南！
最近有个朋友在用dify搭建一个智能体+工作流，需要用到知识库的功能，然而在真正使用知识库的过程中发现效果并不及预期，不是知识库没有返回结果，就是知识库返回的结果不及预期。今天就教大家如何进行知识库调优，使其能够满足自己的业务需求！码字不易，欢迎三连再看，让我们开始吧！什么是RAGRAG全称是Retrieval-Augmented Generation，即检索增强生成，它结合了检索和生成的能力，为…- 7
- 0
-
RagFlow文档解析过程分析
RagFlow是当前比较流行的一个开源RAG应用，它的特点是号称基于深度文档理解（DeepDoc）进行构建的文档处理引擎，能够大幅提升RAG的实际效果。我前段时间由于工作需要通读了一下Ragflow的源码（基于0.17.0）版本，发现它在文档解析，文档检索等方面确实有一些独到的地方，这里就给大家分享一下我的一些理解吧，希望能帮助大家发现一些新的RAG优化的思路。RAG最重要的部分就是文档的解析，所…- 23
- 0
-
深度学习！构建基于LangGraph的RAG多智能体研究工具。
在当今信息爆炸的时代，快速准确地获取知识变得尤为重要。传统的问答系统虽然能够处理一些简单问题，但在面对复杂问题时往往显得力不从心。为了解决这一痛点，我们开发了一款基于 LangGraph 的 RAG 多智能体工具，它能够高效地处理复杂问题，整合多源信息，并通过迭代步骤得出精准答案。今天，就让我们深入了解一下这个强大的工具。一、引言：从简单的 RAG 到智能的多智能体 RAG在项目开发初期，我们发现…- 7
- 0
-
用RAG与Agent提升企业问答效率：我的AI实践之路
在运维、IT、安全等多领域交织的部门，团队每天面对大量业务需求和重复性咨询。伴随大模型的发展，如何用AI优化这些场景是我主要研究方向？这篇文章分享了我从RAG到Agent的技术探索，试图为企业问答场景带来更高效的解决方案。在客户端架构上还有很多需要调整和改进的地方痛点与起点：RAG的引入公司项目文档残缺，相关项目背景、知识细节无法沉淀成文档我们的部门咨询任务多，问题重复率高，面向的用户也对计算机知…- 8
- 0
-
理解 RAG 第一部分：为什么需要它
自然语言处理(NLP) 是人工智能(AI)的一个领域，旨在教会计算机理解人类的书面和口头语言，并运用这些语言与人类互动。虽然传统的 NLP 方法已研究数十年，但近年来出现的大型语言模型(LLM) 几乎主导了该领域的所有发展。LLM 通过将复杂的深度学习架构与能够分析语言中复杂模式和相互依赖关系的自注意力机制相结合，彻底改变了 NLP 和整个人工智能领域。LLM 能够处理广泛的语言生成和语言理解任务…- 4
- 0
-
理解 RAG 第三部分：融合检索与重新排序
我们之前介绍了什么是 RAG、它在大型语言模型 (LLM) 中的重要性，以及 RAG 的经典检索器、生成器系统是什么样的，本系列的第三篇文章探讨了一种构建 RAG 系统的升级方法：融合检索。在深入探讨之前，值得简要回顾一下我们在本系列第二部分中探讨过的基本 RAG 方案。融合检索解析融合检索方法涉及在检索增强生成（RAG）系统的检索阶段中融合或聚合多个信息流。回顾一下，在检索阶段，检索器——一个信…- 3
- 0
-
理解 RAG 第四部分：检索增强生成评估框架
检索增强生成(RAG) 在扩展独立大型语言模型(LLM)的局限性和克服其诸多限制方面发挥了关键作用。通过整合检索器，RAG 增强了响应的相关性和事实准确性：它只需实时利用外部知识源（例如矢量文档库），并在原始用户查询或提示中添加相关的上下文信息，然后将其传递给 LLM 进行输出生成。对于那些深入 RAG 领域的人来说，一个自然而然的问题出现了：我们如何评估这些远非简单的系统？为此，存在几个框架，例…- 5
- 0
-
理解 RAG 第五部分：管理上下文长度
传统的大型语言模型 (LLM)存在上下文长度限制，这限制了单次用户与模型交互中处理的信息量，这是其主要局限性之一。解决这一限制一直是 LLM 开发社区的主要工作方向之一，提高了人们对增加上下文长度在生成更连贯、更准确响应方面优势的认识。例如，2020 年发布的 GPT-3 上下文长度为 2048 个 token，而其更年轻但功能更强大的兄弟 GPT-4 Turbo（诞生于 2023 年）允许在单个…- 6
- 0
-
RAG比之MCP或长上下文LLM，要没落了吗？
今天和大家讲一下关于 Retrieval-augmented generation（RAG）的一些内容，特别是它在大语言模型（LLM）中的应用。如果你经常关注AI行业的话，这里的内容会让你对RAG有更深的理解。RAG 是一种框架，它通过外部数据获取或检索机制来增强 LLM 的能力。当你提出一个问题时，RAG 系统会首先从知识库（如数据库、内部文档等）中搜索相关信息。然后，它将这些检索到的信息与你的…- 5
- 0
-
【Ragflow】21.RagflowPlus(v0.2.1)：6个bug修复/增加重置密码功能
概述承接上文，RagflowPlus在一轮紧急更新后，修复了6个主要问题，并新增用户密码重置的功能。问题解决概述1.图片不显示问题在某些情况下，无法正确显示图片，而变成如下图所示的字符串。经排查，是图片在添加访问权限问题。为修复此问题，修改minio图像文件的权限设置，对图像存储文件夹下的所有图片都设置公开访问权限。"Resource": [f"arn:aws:s3:…- 10
- 0
-
RAG落地实战之文本切分4种策略全解析
一、什么是 RAGRAG 是一种结合了检索（Retrieval）和生成（Generation）的 AI 技术。它的流程通常包括以下几个阶段：文本切分（Text Splitting）向量化编码（Embedding）存入向量数据库（如 FAISS / Chroma / Milvus 等）检索相似文段生成回答二、为什么要进行文本切分大模型（如 GPT）并不能直接检索整篇文档。我们必须先把文档切分成合适大…- 7
- 0
-
HR AI小科普——什么是MCP？
虽然不少HR都已经开始运用AI，但大多数HR由于不是技术出身，因此对于AI往往是能知其然但不知其所以然，也就是不了解AI应用实现背后所需要的一些技术、原理以及相关术语。 HR如能了解一些AI原理和术语，就能更好地与技术专家进行进一步的交流与沟通，对于AI应用能逐步做到不仅知其然，还能知其所以然。这就是我目前在尝试尽量用通俗的语言和示例来进行AI知识小科普的原因。今天我来用HR能听得懂、尽…- 3
- 0
-
LightRAG：简单快速的检索增强生成框架快速上手
LightRAG 是一款轻量级的 检索增强生成（RAG, Retrieval-Augmented Generation）框架，旨在通过优化检索和生成流程，降低传统 RAG 系统的部署成本与资源消耗，同时保持高效的问答和内容生成能力。它适用于需要快速响应、低算力支持的场景，如智能客服、知识问答、轻量化 AI 助手等。安装安装 LightRAG 核心模块从源代码安装（推荐）cd LightR…- 6
- 0
-
RAG之父：部署RAG Agents的10个经验教训
昨天读了Douwe Kiela的一场演讲记录。两小时内，我推翻了过去3个月的AI项目方案。每年有数千家企业部署RAG系统，但87%最终沦为摆设。为什么？技术没问题，方法错了。系统集成比模型重要，数据价值比算法关键，企业落地比概念验证难。我是持续探索与AI协作方式，觉醒强大自己的周知。希望今天分享对你有启发。系统大于模型企业AI项目最常见的错误：过度关注语言模型性能。"更好的大语言模型不是…- 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：×