-
学习 RAGFlow 知识库高级配置
目前为止，我们已经学习了很多关于 RAGFlow 的知识库配置，包括分块方法，PDF 解析器，嵌入模型，RAPTOR 策略，提取知识图谱等，除此之外，还剩下一些高级配置，我们今天一起来看下：页面排名当我们从多个指定的知识库中检索知识时，可能希望某些知识库的知识优先被检索到。比如我们有两个知识库：知识库 A 用于 2024 年新闻，知识库 B 用于 2025 年新闻，但希望优先显示 2025 年的新…- 0
- 0
-
Agentic Workflow——RAGFlow 0.20.0 特性预览
从 Workflow 到 Agentic Workflow经历了较长时间的等待，RAGFlow 0.20.0 版本终于发布，这是一个里程碑式的版本，因为它代表 RAGFlow 在 RAG/Agent 的拼图终于完整。在一年前的此时，RAGFlow 推出了 Agent 特性，但在当时这只包含 Workflow ，并没有提供 Agentic Workflow 的编排能力，因此不是完整体的 Agent …- 0
- 0
-
E²GraphRAG：图结构 RAG 的效率 “加速器”
“ E²GraphRAG 框架，直击图结构 RAG 方法效率瓶颈。其在索引阶段构建摘要树与实体图双结构，检索阶段采用自适应策略动态选择检索模式，实现索引速度较 GraphRAG 提升 10 倍，检索速度较 LightRAG 提升 100 倍的突破，为高效智能检索开辟新路径。” 大家好，我是肆〇柒。大型语言模型（LLM）在自然语言处理（NLP）任务中广泛应用，但存在幻觉问题和领域…- 0
- 0
-
RAG的五种分块策略
RAG 是将附加文档存储为嵌入向量，将传入的查询计算向量与这些向量进行匹配，并将最相似的信息与查询一起提供给LLM的过程。由于附加文档可能非常大，流程的步骤1还需要分块，将大文档分成较小/方便管理的文本块，RAG的分块策略主要有五种，分别是固定大小分块、语义分块、递归分块、基于文档结构的分块、基于LLM的分块。固定大小的分块固定大小的分块是最直观和直接的方法，根据预定数量的字符、单词或标记将文本分…- 0
- 0
-
关于RAG检索增强的右侧优化方案——企业级应用中怎么提升RAG的检索准确度
“ RAG最终的评判标准只有一个——召回精度，RAG所有的技术都是围绕着怎么更快更准确的召回数据。”RAG增强检索的核心指标只有一个——召回准确率；对于RAG技术来说，最重要的事情就是其召回数据的准确性；而怎么提升其召回准确率，方法只有两个，一个是左侧增强，一个是右侧增强。所谓的左侧增强就是文档处理处理，怎么更好的处理复杂文档；而右侧增强就是召回侧的召回策略。今天，我们就来讨论一下RAG…- 0
- 0
-
在RAG中文档处理质量参差不齐的情况下——提升召回精度的企业级解决方案
“ RAG做起来很简单，但想把RAG做好就需要想尽办法去提升数据的召回质量。”在RAG中文档处理可以说是一个重难点，特别是复杂文档的处理更是一言难尽；因此，面对这种现实问题，总不能直接摆烂，因此怎么在文档质量处理参差不齐的情况下，提升RAG的召回精度就是一个需要解决的问题。文档处理的质量直接影响到RAG的召回效率，但目前文档处理是一个难点；因此怎么基于现有条件，提升RAG的召回精度？既然…- 0
- 0
-
再学 RAGFlow 的文件解析逻辑
经过几天的学习，我们了解了 RAGFlow 的文件上传和解析流程，了解了解析任务是如何触发并放入 Redis Stream 消息队列中，等待任务执行器消费和处理的。今天我们将继续学习任务执行器中最重要的函数 do_handle_task() 的实现，看看 RAGFlow 是如何具体执行每个解析任务的。do_handle_task 函数实现do_handle_task&…- 0
- 0
-
AWS使用提示词与RAG来减少大模型幻觉
概览 大型语言模型（LLM）是生成内容的强大工具。这些LLM的生成能力伴随着诸多优缺点。我们经常遇到的主要问题之一是生成内容的事实准确性。这些模型具有高度的幻觉倾向，有时会生成不存在或错误的内容。生成的内容往往极具说服力，看起来像是事实正确的有效信息。作为开发者，我们有责任确保系统完美运行并生成简洁的内容。本文将深入探讨在使用AWS Bedroc…- 1
- 0
-
RAG与Agentic RAG：智能AI系统的进化之路
近年来，人工智能（AI）如同一股洪流，席卷了整个数字世界。从日常的搜索问答到视频生成，再到客户服务支持，AI的身影无处不在。而在AI的众多技术中，RAG（Retrieval-Augmented Generation，检索增强生成）和Agentic RAG（智能代理RAG）无疑是两颗耀眼的明星。它们不仅提升了信息处理的效率，还为复杂任务的解决提供了全新的可能性。但问题来了：RAG和Agentic R…- 0
- 0
-
不止于相似度：混合搜索如何重塑 RAG 的未来
1. 引言：当“最相似”不再是“最相关” 在构建检索增强生成（RAG）系统时，我们常常陷入一个困境：如何确保检索到的上下文既“语义相关”又“关键词精确”？ 想象一下这个场景： 当用户搜索“苹果公司发布的 M3 芯片评测”时，一个纯粹依赖向量搜索的 RAG 系统可能会返回一篇关于“苹果公司最新财报”的文章。从语义上看，这没错，两者都与“苹果公司”高度相关。但用户最关心的核心关键词——“M3 芯片”—…- 0
- 0
-
RAG应用如何进行有效的文本切分
在RAG（检索增强生成，Retrieval-Augmented Generation）应用中，文本分块（Text Chunking）是连接“知识存储”与“检索-生成”的核心预处理步骤，其重要性体现在对检索效率、相关性、生成质量及系统灵活性的多维度影响。首先松哥和大家讨论第一个问题，就是为什么我们要重视文本切分。一 为什么文本切分很重要1.1 提升检索相关性：精准匹配用户需求RAG 的核心是“先检索…- 0
- 0
-
为什么你的RAG效果总差一点？从RankNet到Qwen，一文读懂Rerank模型的演进
为什么你的RAG效果总差一点？从RankNet到Qwen，一文读懂Rerank模型的演进概要本文主要面向对检索增强生成（RAG）和 Rerank 技术感兴趣的初学者。我们希望通过梳理 Rerank 模型从经典的概率模型到前沿的大模型驱动范式的演进历程，帮助大家理解 Rerank 在优化 RAG 系统效果时扮演的关键角色，以及不同阶段的核心技术思想。目录概要前言第一章：基础架构 - 基于概率模型的成…- 0
- 0
-
提升RAG表现的15个实战分块技巧
RAG Chunking TechniquesRetrieval-Augmented Generation（RAG）很大程度上取决于你怎么分块数据。想让LLM检索到真正有意义的上下文？你得用心设计数据的分块方式。下面是15种关键的分块策略，详细解释，每种都带一个实际的例子和实用的拆分方法。1. 按行分块（Line-by-Line Chunking）是什么：每遇到新行就拆分。什么时候用：…- 0
- 0
-
96.3%准确率！Routine框架：让企业级Agent告别“不靠谱”
想象一下，你给一个超级聪明的AI助手布置一项公司里的复杂任务，比如“查一下新员工小王的部门预算还剩多少，并和去年对比生成报告”。通用AI模型（如GPT-4）可能想法天马行空，但实际操作起来却容易“掉链子”：步骤混乱、用错内部工具、参数填不对，甚至直接“摆烂”不干活。这就是当前大模型智能体（LLM Agent）落地企业面临的核心难题——缺乏领域知识导致规划不稳、执行飘忽。论文：Routine: A …- 0
- 0
-
中小企业AI破局：RAG 部署从 “能用” 到 “能用好” 的 10 条经验
本文源自 Contextual AI 首席执行官和联合创始人 Douwe Kiela 近日发表了 RAG Agent 经验的演讲整理而来，主要介绍的当下中小型企业利用AI提效的困境以及如何破局，聚焦内部知识库RAG这一核心概念（如果不了解RAG，可以参考一文了解大模型应用基本概念），非常有参考价值，希望能给读者启发！尽管人工智能体前景广阔，但企业在试点阶段后往往难以实现真正的价值。“context…- 0
- 0
-
Chonkie：开源、轻量、极速的 RAG 分块神器 🦛
在不断扩展的大模型上下文里，分块不仅是技术需求，更是确保模型效率的关键手段。然而，面对大部分冗杂的分块工具，不少开发者需要更直接、更有效的解决方案。这时，Chonkie — 一款专为分块任务设计的轻量工具 — 应运而生，成为了 RAG 应用开发中的绝佳帮手。为什么需要分块？随着语言模型能够处理的上下文不断增加，在提供丰富上下文的同时也带来了计算速度与内存开销的挑战。通过分块，…- 0
- 0
-
关于一个RAG功能需求分析案例——、怎么优化RAG的检索精确度
“ RAG系统中，高质量的文档处理才是RAG系统的核心。” 手上有一个基于自然语言对话的系统，其功能就是根据提供的文档，能通过自然语言对话的方式去询问需要的文档和资料；其本质上来说就是一个RAG系统。 在之前一直强调说，RAG开发是一个入门五分钟，但要做好可能要五个月，甚至更久的一项技术；在之前对这句话还没有特别深刻的体会，但经过这个项目算是深有体会了。 RAG功能优化 刚开始做这个项目的时候，觉…- 9
- 0
-
踩了无数坑后，我终于搞定了RAG系统的”胡说八道”问题
去年接手公司的智能客服项目时，我以为RAG系统搭建起来就万事大吉了。结果上线第一天就被用户投诉轰炸： "问个信用卡年费，给我说了半天房贷利率？" "明明问的是申请流程，回答得乱七八糟，还缺了好几个步骤！" "这AI是不是在编故事？说什么限时优惠活动，我们银行根本没有！" 经过3个多月的摸爬滚打，总算把这些问题彻底解决了。今天把完整的解决方…- 5
- 0
-
Chonkie：开源、轻量、极速的 RAG 分块神器 🦛
在不断扩展的大模型上下文里，分块不仅是技术需求，更是确保模型效率的关键手段。然而，面对大部分冗杂的分块工具，不少开发者需要更直接、更有效的解决方案。这时，Chonkie — 一款专为分块任务设计的轻量工具 — 应运而生，成为了 RAG 应用开发中的绝佳帮手。为什么需要分块？随着语言模型能够处理的上下文不断增加，在提供丰富上下文的同时也带来了计算速度与内存开销的挑战。通过分块，…- 6
- 0
-
Chonkie：开源、轻量、极速的 RAG 分块神器 🦛
在不断扩展的大模型上下文里，分块不仅是技术需求，更是确保模型效率的关键手段。然而，面对大部分冗杂的分块工具，不少开发者需要更直接、更有效的解决方案。这时，Chonkie — 一款专为分块任务设计的轻量工具 — 应运而生，成为了 RAG 应用开发中的绝佳帮手。为什么需要分块？随着语言模型能够处理的上下文不断增加，在提供丰富上下文的同时也带来了计算速度与内存开销的挑战。通过分块，…- 7
- 0
-
Chonkie：开源、轻量、极速的 RAG 分块神器 🦛
在不断扩展的大模型上下文里，分块不仅是技术需求，更是确保模型效率的关键手段。然而，面对大部分冗杂的分块工具，不少开发者需要更直接、更有效的解决方案。这时，Chonkie — 一款专为分块任务设计的轻量工具 — 应运而生，成为了 RAG 应用开发中的绝佳帮手。为什么需要分块？随着语言模型能够处理的上下文不断增加，在提供丰富上下文的同时也带来了计算速度与内存开销的挑战。通过分块，…- 2
- 0
-
Chonkie：开源、轻量、极速的 RAG 分块神器 🦛
在不断扩展的大模型上下文里，分块不仅是技术需求，更是确保模型效率的关键手段。然而，面对大部分冗杂的分块工具，不少开发者需要更直接、更有效的解决方案。这时，Chonkie — 一款专为分块任务设计的轻量工具 — 应运而生，成为了 RAG 应用开发中的绝佳帮手。为什么需要分块？随着语言模型能够处理的上下文不断增加，在提供丰富上下文的同时也带来了计算速度与内存开销的挑战。通过分块，…- 2
- 0
-
Chonkie：开源、轻量、极速的 RAG 分块神器 🦛
在不断扩展的大模型上下文里，分块不仅是技术需求，更是确保模型效率的关键手段。然而，面对大部分冗杂的分块工具，不少开发者需要更直接、更有效的解决方案。这时，Chonkie — 一款专为分块任务设计的轻量工具 — 应运而生，成为了 RAG 应用开发中的绝佳帮手。为什么需要分块？随着语言模型能够处理的上下文不断增加，在提供丰富上下文的同时也带来了计算速度与内存开销的挑战。通过分块，…- 3
- 0
-
Chonkie：开源、轻量、极速的 RAG 分块神器 🦛
在不断扩展的大模型上下文里，分块不仅是技术需求，更是确保模型效率的关键手段。然而，面对大部分冗杂的分块工具，不少开发者需要更直接、更有效的解决方案。这时，Chonkie — 一款专为分块任务设计的轻量工具 — 应运而生，成为了 RAG 应用开发中的绝佳帮手。为什么需要分块？随着语言模型能够处理的上下文不断增加，在提供丰富上下文的同时也带来了计算速度与内存开销的挑战。通过分块，…- 3
- 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：×