-
旺精通~智能体检索增强生成(Agentic RAG)综述：背景、模型、框架、测试、展望
旺精通：技术细节全解，深度精通技术大语言模型虽强大但依赖静态数据，有信息过时等问题。RAG应运而生，可集成实时数据，但传统RAG有局限性。重要意义在于智能体RAG能克服传统RAG不足，在多领域提供更精准、适应性强的解决方案，推动人工智能在复杂现实场景中的应用。文章先介绍大语言模型依赖静态训练数据的局限，引出检索增强生成（RAG）。阐述RAG从朴素到高级、模块化、图RAG及智能体RAG的范式演变，介…- 6
- 0
-
RAG 的检索优化：MMR 平衡相关性与多样性
RAG 的检索优化：MMR 平衡相关性与多样性 文章目标本文面向 信息检索、推荐系统、自然语言处理领域的工程师以及对 RAG(Retrieval-Augmented Generation) 技术感兴趣的实践者，旨在帮助读者：深入理解信息冗余问题及其对信息获取效率和用户体验的影响。掌握最大边际相关性(MMR) 算法的数学原理、核心机制与运作流程。了…- 4
- 0
-
RAG系统召回率低？ BGE-M3 多语言多功能重塑文本检索
RAG系统召回率低 BGE-M3 多语言多功能重塑文本检索文章目标本文专为 RAG 爱好者 打造，旨在帮助你：深入掌握 BGE-M3 的多功能性、多语言性和多粒度性，理解其如何重塑文本检索。通过实验与代码，探索 BGE-M3 在密集、稀疏和多向量检索中的性能与实现。结合理论与实践，发掘 BGE-M3 在多语言和长文档场景的应用潜力。? 小提示本文是 RAG 进阶系列，包含丰富代…- 8
- 0
-
1.6万字Rankify完全指南：三行代码搞定RAG，24种重排序方法任你选 | 全网最详细。
编者按：继昨天《RAG太折磨人啦，试下pip install rankify，检索、重排序、RAG三合一，完美》发布之后，有许多朋友向我询问Rankify的具体使用方法和部署细节，尤其是生产环境如何处理自定义数据集和本地数据集。应读者需求，我很荣幸收到了Rankify第一作者Abdelrahman Abdallah博士提供的这份详细使用指南和授权发布邮件。本文全面介绍了Rankify的…- 6
- 0
-
RAG之关键Embedding模型国内外大PK
虽然大模型支持的上下文是越来越大，但不论出于知识库过大还是基于安全考虑，我们还是希望向模型提供适当的上下文即可。这其中选择合适的embedding模型就至关重要了。如何才能找到效果更好的embedding型呢，希望本文能提供一些参考。背景 我们不能为技术而技术，最好是解决某项具体问题而进行探索。我为何想去了解embedding这块呢？缘于最近MCP比较火，而我工作中经常需要分析一些仓库的提交历史，…- 6
- 0
-
RAGFlow如何实现图片问答：原理分析+详细步骤（附源码）
如何在 RAGFlow 或者 dify 的问答中显示原始文档的图片？这是我最近一直被问到的一个问题。前面一篇文章给大家演示了，如何在 Gradio 这个轻量框架下，实现渲染本地图片路径的做法。RAG维保案例分享：如何实现"文+图"的答案呈现在回答中显示原始文档中的相关图片，从而提供更丰富的信息呈现确实在很多需求场景下有比较大的实际意义。这篇以 RAGFlow 为例，尝试说清楚如…- 9
- 0
-
Dify+RAGFlow：泵类设备预测维护系统案例分享
上篇文章介绍到的 dify+RAGFLow 的协同使用文章里，提到了一个泵类设备预测性维护智能系统。后来陆续有人私信咨询实施细节，这篇做个统一的介绍。Dify+RAGFlow:1+1＞2的混合架构，详细教程+实施案例项目定位是，利用 Dify 的工作流编排能力和 RAGFlow 的知识库组件，结合模拟的设备传感器数据 (IoT) 和企业资源数据 (CMMS, MES, ERP)，构建一个针对离心式…- 5
- 0
-
RAG进阶技术！这10种方法你一定要知道。
在当今这个信息爆炸的时代，AI 系统已经深入到我们生活的方方面面，从医疗健康助手到教育辅导工具，再到企业知识管理机器人，AI 正在帮助我们更高效地获取和处理知识。但随着应用场景的复杂化，传统的 AI 系统面临着诸多挑战：如何生成真正相关的回答？如何理解复杂的多轮对话？如何避免自信地输出错误信息？这些问题在基于 RAG（Retrieval-Augmented Generation，检索增强生成）的系…- 3
- 0
-
MCP + 数据库，一种比 RAG 检索效果更好的新方式！
在今天这一期，我们将一起学习一种基于 MCP 提高大模型检索外部知识精度的新思路，实测比 RAG 效果要好很多。目前市面上讲 MCP 的教程比较多，但大多数都是一些概念性的讲解，最近我对 MCP 的体验也比较多，我也切实体验到了 MCP 确实是一项很有意义的技术标准，能帮助我们解决很多之前难以解决的问题，所以在今天的教程里，我从这样一个实际的案例出发来跟大家聊一聊 MCP，整体的学习路径如下：在开…- 12
- 0
-
2025第一篇关于Agentic RAG最全面的综述
检索增强生成（Retrieval-Augmented Generation，RAG） 系统结合了大语言模型（LLM）与检索机制，能够生成具有上下文相关性的高质量回答。虽然传统 RAG 在知识检索和生成方面表现出色，但在处理动态的多步推理任务、适应性调整以及复杂工作流的编排方面仍存在局限性。Agentic RAG 通过将 Agent 引入 RAG 流程，实现了人工智能领域的一次重大变革。该…- 6
- 0
-
【AI知识点】什么是Agentic RAG？
RAG是什么？?RAG (检索增强生成)让AI模型能查阅外部知识库，避免信息过时和"幻觉"问题 ?? 工作流程：接收查询→检索信息→提供上下文→生成回答但传统RAG检索流程固定，缺乏灵活性，难以处理复杂问题。Agent是什么？?AI Agent是能自主行动的智能系统，具备：自主决策能力反思和调整能力工具使用能力多代理协作能力Agentic RAG：融合的力量 ?Agentic …- 4
- 0
-
什么是 MCP？让 AI 成为真正的 AI Agent，而不只是「说话」的机器
MCP 系列文章第001篇MCP 诞生的背景：解决 AI 助理光说不做的障碍MCP 是谁开发的？MCP 是如何运作的？为什么能让 AI 真的「动手」MCP 让 AI 进一步发展为「AI Agent」MCP 的优势：标准化、安全性与开发生态迎接 AI 助理的全新时代，MCP 会是下一个重大突破未来，当 MCP 技术更加成熟，我们或许可以看到 AI 助理帮忙处理更多实际任务，例如：模型上下文协议（Mo…- 7
- 0
-
只是文档灌Dify？RAG发展一篇文就入门！
目录1 RAG 是什么2 RAG 的发展3 总结RAG，全称检索增强生成（Retrieval-Augmented Generation），作为当前 AI 应用中常见的辅助方法，有效提升了 LLM 输出的准确性和可靠性。但总有人戏言，RAG 不过是“把文档丢进 dify”这么简单，真的吗？关于 RAG 的技术流程，网上已经有非常多高质量的文章介绍，因此笔者想从 RAG 的技术发展角度来写这篇文章，从…- 7
- 0
-
8分钟打造一个DeepSeek生成测试用例系统知识库
一、背景与系统定位之前分享过两篇8分钟系列DeepSeek赋能软件测试的文章，吸引了很多志同道合的同学们的讨论，基于前面的文章，我们已构建了基础测试用例生成能力。今天主要聊一下知识库。8分钟打造一个DeepSeek加持的测试用例工具北极星学派，公众号：北极星学派 Polaris School8分钟打造一个DeepSeek加持的测试用例工具8分钟打造一个DeepSeek API智能测试引擎：当咖啡还…- 7
- 0
-
Agentic RAG 目前最强大的RAG实现方式
1 什么是RAG？RAG 作为一种提升生成式 AI 模型表现的框架，通过检索外部知识源，增强生成内容的准确性与丰富度。AI Agent 则是具备感知、推理、行动和学习能力的自主软件系统，能在复杂环境中完成任务。二者结合，让 AI 系统拥有更强大的功能。 . ?传统 RAG 存在检索时机难定、文档质量不佳、易生成错误信息等问题。Agentic RAG 系统有效解决了这些痛点，在客…- 8
- 0
-
基于Cherry Studio + auto-coder.RAG实现本地知识库
基于 V3+R1随手构建图文并茂的问答知识库[1]中采用的是william-toolbox构建知识库，这里提供另一种种方法，使用Cherry Studio和Aut-coder.RAG搭建本地知识库，借助强大的LLM-Native的RAG系统，辅助源代码阅读，以及基于PDF文档构建知识库。案例使用auto-coder.rag阅读auto-coder的源代码Prompt: 介绍下这个项目的…- 8
- 0
-
老码小张实测：GitMCP 太神了！一行 URL 让 AI 秒懂你的 GitHub 项目
跟大伙儿一样，我也是个天天跟代码打交道的“码农”。不过嘛，除了埋头写 Bug... 啊不，写代码，我还有个小爱好：喜欢琢磨技术背后的那些门道儿，看看它们是怎么运转的，又能拿来解决咱们日常工作里的哪些“痛点”。毕竟，技术这玩意儿，最终还是得落地，帮咱们干活儿更麻利才算有价值，对吧？最近 AI 编程助手是越来越火了，像 Claude、Cursor 这些工具，有时候确实能帮上大忙。但说实话，…- 5
- 0
-
从“人工智障”到“真智能”：AI智能体如何突破最后一道技术壁垒？
在人工智能领域，检索增强生成（RAG）系统因其从海量数据中提取相关信息并生成智能回答的能力而备受瞩目。然而，AI智能体（AI Agents）却将这一能力推向了全新的高度。它们不仅仅是获取和加工数据的工具，而是能够自主思考、规划并采取行动的智能系统。想象一下，您有一个助手，不仅能帮您整理文件，还能判断如何处理它们、安排后续步骤，并在情况变化时灵活调整策略——这就是AI智能体所承诺的未来。与RAG系统…- 5
- 0
-
衡量问题被Agent独立解决的难度
本文试图从一个维度回答这个问题：哪些问题LLM/Agent更容易解决，哪些更难以解决。当然影响这个问题的因素不只一个，本文只是介绍其中的一个主要维度：问题求解的必要探索空间的大小。本文并没有给出一个量化指标，因为适用于所有场景的量化指标很难定义。但根据本文的思路去在具体领域构建量化指标是有迹可循的。1、求解问题所需要的探索空间本文要讨论的概念有些抽象，让我们先从一个具象化的例子开始：考虑在一个充满…- 5
- 0
-
深度解析创新RAG：PIKE-RAG与DeepRAG，RAG技术的创新变革
深度解析创新RAG：PIKE-RAG与DeepRAG，RAG技术的创新变革PIKE-RAG：从DIY家具到室内设计开源代码：https://github.com/microsoft/PIKE-RAG传统的RAG（检索增强生成，Retrieval-Augmented Generation）就好比购买一套DIY家具套件，你虽然能拿到所有的零件和组装说明，但必须亲自动手把它们组装起来。而PIKE-RAG…- 4
- 0
-
不懂RAG的原理，永远只是文档搬运工
最好的学习时间是昨天，其次是现在。清明节的第一天，窗外春风拂面，阳光洒满大地，大家是不是已经迫不及待想放松一下心情了？不如趁着假期，我们一起来聊聊RAG！如果你已经完全掌握了RAG原理，请帮我看看我讲的和你理解的是否一致。最近，像 coze 和 dify 这样的低代码平台把 RAG 功能做得越来越亲民，但想要真正玩转它，搞清楚背后的流程可是关键，不做文档搬运工。今天，我就带你一步步拆解 RAG 系…- 7
- 0
-
大模型应用的能力分级
对大模型应用的能力分级就像给学生打分一样，能让我们更清楚它的本事有多大。能力分级能帮我们设定目标，知道AI现在能干什么，未来还要学什么。有了统一的分级方式，大家就能公平比较不同AI的水平，推动技术进步。同时，不同分级的AI适合干不同的活儿，能帮我们找到最合适的帮手。另外，能力分级让普通人更容易理解AI的能力，避免过度期待或担心。大模型的应用主要有两种常见模式：RAG 和 Agent。选哪种 RAG…- 8
- 0
-
看了很多MCP文章还没懂？那是因为太官方！本文两分钟让你彻底理解MCP！
MCP（Model Context Protocol） 是什么？很多文章祭出这张官方架构图开讲，看完可能也不知道是个啥，本文抛开技术讲使用，三个问题让你两分钟彻底理解 MCP。MCP 是什么对于无技术背景的人来讲，MCP 广义上来说，是通过AI对话可以自动执行各种工具来完成你想法的智能体。注：官方的定义是模型上下文协议，来制定大模型和工具交互的协议标准。这点我们在使用上无需过多关注。比如，将哪吒2…- 3
- 0
-
有Embedding模型不够，还需要Rerank模型？
什么是Rerank模型？ Rerank模型是一种用于优化信息检索结果排序的机器学习模型，通过精细化评估文档与查询的相关性，提升最终结果的准确性和语义匹配度。以下是其核心要点：定义与定位属于重排序算法，作用于初步检索（如关键词匹配或向量相似度检索）之后，对候选文档进行二次筛选和排序。在RAG（检索增强生成）流程中，与Embedding模型配合使用，形成“粗筛+精排”的协同机制。…- 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：×