-
解锁AI时代的核心通关密码——为什么你必须搞懂RAG、Agent、MCP？
AI时代背景下，AI 大模型凭借其强大的语言理解与生成能力，在诸多应用场景中展现出显著优势，呈现出无所不知的表象。然而，深入剖析后不难发现，当前AI大模型看似无所不知，实则面临三大致命短板：幻觉制造机：没有实时知识库支撑，容易编造错误信息→ 例：问ChatGPT“2024年最新医保政策”，它可能虚构条款纸上谈兵者：能分析问题却无法执行具体操作→ 例：AI能推荐旅游路线，但不会自动订机票酒店数据孤岛…- 0
- 0
-
如何设计 AI 与人的交互？以及为什么真正的创新必然是集中式的？
真正的产品创新不可能靠跨部门协作，只能是集中式创造。先上“暴论”，在结尾会点题。因为我们不需要模棱两可的漂亮话，我们需要观点的锋利。否则分享的意义就丢失了，何谈思想的交锋。文章结构：一、我们先谈如何设计 AI 与人的交互二、更好的设计是什么三、为什么“真正的产品创新不可能靠跨部门协作，只能是集中式创造。”四、后记&彩蛋五、联系方式我们先谈如何设计 AI 与人的交互。这个话题很大，所以这篇文…- 0
- 0
-
随着大模型技术的发展——RAG技术有可能会被淘汰吗？
“ RAG技术未来并不会被淘汰，只不过会随着技术的迭代而不断升级。”关于RAG技术有很多不同的观点，有人认为RAG技术是大模型的阶段性解决方案，最终会被淘汰；但也有人认为RAG技术仍不能被替代，其作用依然无可代替；而还有观点认为RAG技术会随着大模型技术的迭代进行升级，更多的是会形成协同发展。而从企业的角度来说，由于RAG技术未来的不确定性，因此有些人对RAG还存在各种各样的顾虑问题。所…- 0
- 0
-
AI知识库到底是什么？不同应用场景如何调参数配置？
如果你发现AI经常「一本正经胡说八道」，尤其是对于严肃的场景：企业内部工作、科研项目等，根本没办法直接用大模型的结果。此时，你就需要用到「知识库」，它能让AI输出更符合你需求的结果。我在网上看了很多AI知识库的文章，都很复杂，都是讲原理，但对于大多数的我们，不需要知道太多原理，而是需要「喂饭」，告诉我怎么做就行了。所以今天我就要给大家「喂饭」，前面还是要先简单讲清楚知识库的原理，以及包含什么。最后…- 0
- 0
-
AI 全栈工程体系中，Prompt Engineering、AI Agent 和 RAG 如何协同工作？
1、AI 全栈工程体系中，Prompt Engineering、AI Agent 和 RAG 如何协同工作？LLMs、Prompt Engineering、AI Agent 和 RAG 在构建复杂的AI应用（可以视为“AI 全栈工程体系”的一部分）中扮演着相互关联、协同工作的关键角色。基础：大型语言模型 (LLM)首先，大型语言模型 (LLM) 是整个体系的…- 0
- 0
-
一文读懂RAG：AI的“外部知识库”如何让回答更精准？
您是否也曾遇到这样的困扰：满怀期待地向AI提问，结果它要么回答得牛头不对马嘴，仿佛在一本正经地“胡说八道”；要么给出的信息早已是明日黄花，甚至当问及公司内部的具体事务或最新动态时，它更是一问三不知。这无疑是大语言模型（LLM）目前面临的常见挑战之一。今天我们就来深入聊聊一项能有效化解这些“尴尬时刻”的关键技术——检索增强生成（Retrieval-Augmented Generation，简称RAG…- 0
- 0
-
25种RAG架构大揭秘：AI项目如何选型？
在当今的AI时代，你是否想过，如果AI能够每次都从全球知识中精准地提取完美答案，那会是怎样的体验？检索增强生成（Retrieval-Augmented Generation，简称RAG）正是实现这一目标的幕后英雄。从ChatGPT引用来源的能力到企业AI扫描数千份文件，RAG为语言模型提供了现实世界的根基。然而，RAG并非“一刀切”的解决方案。随着时间的推移，AI研究人员设计了多种专门的RAG架构…- 0
- 0
-
【论文解读】Agentic-RAG：RAG发展调研
一、RAG RAG（Retrieval-Augmented Generation）：检索增强生成，是一个系统化的框架，通过对外部知识库进行检索、整合，辅助大语言模型（LLM）生成更可靠、更具上下文信息的响应。解决LLM知识静态、幻觉、上下文限制等问题。RAG主要步骤如下：Indexing：数据预处理和准备；主要包含数据预处理、分块、嵌入、存储等过程，最终数据以向量形式存放在向…- 0
- 0
-
究极方案：油猴脚本实现RAG问答前端图片流式体验
一个月前发了篇文章介绍了基于 MiniO 存储的 RAGFlow+Dfiy 图片处理方案，之后有几个知识星球内的星友提问，如何优化上一版方案中不能流式输出的问题。这篇试图说清楚，三种 RAG 图片问答的方案迭代过程，油猴脚本 (Tampermonkey)的具体实现方式，以及项目架构梳理。以下，enjoy:1 多阶段方案演进在现有开源框架基础上，不改动核心代码，又要达到较好的…- 0
- 0
-
RAG 挑战赛冠军方案解析：从数据解析到多路由器检索的工程实践，推荐阅读！
公司年报智能问答比赛任务简介比赛的任务是基于公司年度报告构建一个问答系统。简单来说，比赛当天的流程如下：我们会收到来自随机挑选公司的 100 份年度报告，并需要在 2.5 小时内解析这些报告并构建一个数据库。这些报告是 PDF 格式，每份最长可达 1000 页。然后，系统会生成 100 个随机问题（基于预设模板），我们的系统必须尽可能快速地回答这些问题。所有问题都必须有确定的答案，例如：是/否；公…- 0
- 0
-
一文搞懂基于大模型快速搭建本地RAG知识库应用实践
学习AI大语言模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。大语言模型本身存在一些局限性，而RAG就像那种上学时的“开卷小天才”——会查资料，还会加工，能有效减少产生误导性信息的可能，它是AI大模型应用的创新方法，为AI的回答能力打开了新世界的大门，为企业搭建知识库提供了全新的解决方案（即通过结合信息检索、增强和文本生成能力，有效提升大模型…- 0
- 0
-
【LLM应用框架】DSPy构建RAG
一、前言在本文中，我们将基于DSPy构建一个简单的关于Linux应用的技术问答系统，并探索使用和不使用检索增强生成（RAG）的效果。二、DSPy基本模块（1）本地环境配置安装DSPy：需要python3.9及以上版本，这里我们从git工程地址下载所需的版本：conda create —name py39 python=3.9conda activa…- 0
- 0
-
IBM RAG挑战赛冠军方案全流程复盘 (附源码地址)
今天在给 n8n 的 RAG 日报工作流进行信源测试的时候，注意到一条新闻提到 IBM WatsonX AI 赞助一场企业 RAG 挑战赛，用 100 份企业年报做 RAG 问答检验不同架构在真实企业级长文档场景下的效果。https://abdullin.com/erc/这个赛事的前两场已经结束，这篇以其中第二场的冠军 Ilya Rice 公开 Blog 中分享的构建 RAG 系统过程中遇到的困难…- 0
- 0
-
ragflow架构解析及性能优化方式
目前好用的rag系统有非常多，而其中ragflow就是最有代表性的佼佼者，如果把ragflow用到自己的生产系统中，有哪些需要基本了解的点呢，趁着周末打开了很久之前写的一个内容，把我的理解和各位朋友分享一下。由于ragflow比较大，我把之前写的解析数据处理、Retriever和Embedding模块的设计与实现逻辑的这一部分给修改出来。感兴趣的朋友们可以基于此作性能优化或二开。数据处理模块模块职…- 0
- 0
-
大模型的“照妖镜”来了，让RAG来治治AI的“胡说八道”
当AI开始“一本正经的胡说八道”相信很多人在使用类似DeepSeek等大模型时，经常会遇到一种情况即使它会一本正经的胡说八道。举个例子：某个AI面试官在面试人员提问“公司加班文化如何”时，它竟然一本正经的编造了不存在的福利政策。这种幻觉式回答，正是大语言模型（LLM）的一个致命软肋，它就像一个数学非常好的学霸，在做计算题时，来了个明显的计算翻车。这次我们要看的是RAG（检索增强生成）如何让AI变得…- 0
- 0
-
BM25：RAG中的文本相关性排序
-正文-BM25 是一个文本相关性排序算法。在 RAG 系统的检索阶段，它能快速地从海量文档中找到与查询最匹配的候选段落，为后续的生成模型提供更加聚焦的上下文。BM25 可以独立使用，也可以和 dense 检索联合构建更强的 hybrid 检索器1. BM25是做什么的？2. BM25是怎么判断相关性的？2.1 词频 (Term Frequency, TF)2.2 逆文档频率 (Inverse D…- 0
- 0
-
RAG架构综述：探寻最适配RAG方案
RAG技术通过整合外部知识源检索与模型生成能力，使语言模型能够基于真实世界的信息生成更准确、可靠的回答。如今，RAG技术不断演进，衍生出了多种各具特色的架构类型，每种都针对特定场景和需求进行了优化。深入了解这些不同类型的RAG架构，对于开发者、数据科学家以及AI爱好者而言至关重要，能够帮助他们在项目中做出更合适的技术选型，充分发挥RAG的优势。一、基础架构：标准RAG标准RAG是整个RAG技术体系…- 0
- 0
-
大模型RAG实战｜生成带有引用来源的回答
在企业级应用场景，我们通常采用检索增强生成（RAG，Retrieval-Augmented Generation）技术，要求大语言模型（LLM）严格基于从知识库检索到的信息生成内容，而不得编造任何内容。此时，在LLM生成的内容中，准确地标注来源，并在其后列出所有引用来源，将极大地提升回答的可信度和透明性。本文将介绍一种“混合方案”。一、核心思路系统通过LLM在生成内容时，同步标注来源（内联引用，i…- 0
- 0
-
三路检索+多模态融合！深度解析RAG 2.0如何攻克大模型落地难题
过去一年，检索增强生成（RAG）技术以惊人的速度从实验室走向产业落地。从单一文本处理到多模态融合，从基础检索到动态决策，RAG 2.0 正在重塑人工智能落地的技术范式。这场技术革命不仅解决了传统大模型的 “幻觉” 短板，更通过混合检索、强化学习和图神经网络等创新，将生成式 AI 的实用性推向新高度。一、混合检索：破解召回率与精准度的 “不可能三角”传统 RAG 系统依赖单一检索模式的时代已经终结。…- 0
- 0
-
重磅！用 Gemini 2.5 搭载 Cohere Embed v4，视觉RAG 终于不用 Markdown 绕路了！
在多模态AI快速发展的今天，企业在数字化转型中面临着如何高效处理和理解复杂图像信息的挑战。传统的RAG（Retrieval-Augmented Generation）系统主要依赖于文本数据，对于包含图像、图表、幻灯片等视觉信息的文档处理能力有限，常常需要将图像转换为Markdown格式，导致信息丢失和处理效率低下。如今，借助Google DeepMind的Gemini 2.5视觉大模型和Coher…- 0
- 0
-
如何选择Embedding Model？关于嵌入模型的10个思考
在大模型应用中，尤其基于RAG框架的大模型应用，嵌入模型（embedding Model）是不可或缺的关键组件。这里总结了笔者在实践中关于潜入模型的10个思考，希望对大家有所帮助。1. 嵌入模型在RAG中的重要性嵌入模型能够将文本转换成数值形式的向量，这让计算机可以更高效地处理、对比和检索信息。这些向量能够捕捉单词、短语甚至是整篇文档之间的意义联系，这使得嵌入模型成为了各种自然语言处理任务中的关键…- 0
- 0
-
小米 Mi-BRAG 智能引擎：全模态文档问答与细粒度溯源的创新实践
导读 当产品功能越复杂、说明书越来越厚，AI 能否精准解析用户问题并即时给出答案？当相关领域文档越积越多，AI 能否精确定位跨文档的核心内容并进行提炼？在大模型时代，如何突破通用知识的局限，构建兼具专业性与个性化的知识库问答系统？基于这些行业痛点，小米创新研发 Mi-BRAG 知识库问答框架，该框架通过四大核心技术体系重构知识处理范式，已在公司多个场景中落地应用，包括小爱同学的个人信息问…- 0
- 0
-
深入 GraphRAG：构建更强大的知识增强问答系统的六大开源项目
前几天我分享了一篇文章知识图谱+向量数据库：打造更智能的RAG系统，介绍了如何把知识图谱和RAG系统相结合，来提升检索内容的准确性。然后有读者询问我是否有相关的开源项目推荐，我整理了下，目前有6个关注比较高的图RAG项目，大家可以关注学习一下。Microsoft GraphRAG微软官方发布的 GraphRAG 是一个构建在 LLM 与图机器学习结合基础上的检索增强生成系统。它能够从私有文档中自动…- 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：×