-
基于 RAG 和 Claude 的智能文档聊天系统实战指南
最近我和一个律师亲戚聊AI时，问了我应该怎么对现在律师事务所庞大的文档做AI检索，从技术上讲用现在的LLM+RAG可以满足需求，但细想不太对劲，因为这里面涉及到很多专业知识，还有律师的专有思维路径，一个不懂律师业务的程序员肯定是做不好的，于是有幸跟他们合伙人进行了深入沟通，合伙人说了一堆但我总结下来就这么一句话“一个能回答我们所有文档相关问题的工具”。比如：1）描述法庭上发生的事件，2…- 7
- 0
-
万字长文的叹息：搭建一个生产级RAG系统，80%的工作量都在AI之外
如果你点开这篇文章，大概率你已经被RAG（检索增强生成）这个词轰炸了很久。它听起来就像是AI领域的“圣杯”：把公司所有的文档、PDF、聊天记录往里一扔，然后一个无所不知的AI就能像人类专家一样对答如流。 我见过太多项目的启动会，每个人眼里都闪烁着这种“魔法即将发生”的光芒。PPT里的演示总是那么丝滑，demo看起来天衣无缝。但当我们这些一线工程师卷起袖子，真正开始把这个“魔法”搬进现实世界时，…- 4
- 0
-
RAG实战：借助RAGFlow做一个员工智能助理
最近体验了一下RAGFlow的RAG能力，体验下来，它给我的感觉总结两点：1）知识检索方面能力很强；2）Agent工作流搭建很反人性，跟Coze或者dify比，有点复杂。本文主要包含两部分：RAGFlow部署和RAG项目实操。声明下：为了节省字数，内容为精简版，整体较为粗糙，但保真！一、RAGFlow部署软硬件要求（生产环境）CPU >= 4 coresRAM >= 16 GBDisk…- 7
- 0
-
解读｜生产级RAG系统落地的10个经验教训
点击上方蓝字加入我们本文为大家解读Contextual AI 联合创始人兼CEO，也是著名的RAG技术先驱，Douwe Kiela 分享的他在企业级 RAG 系统实施与落地中的十大经验教训 。解读纯属个人观点，欢迎探讨。本次分享主要针对企业AI系统转化为商业价值的关键难题：根据麦肯锡的估计，当前企业AI总规模高达4.4万亿美元 ，但同时福布斯的调查指出只有约四分之一的企业真正从AI中获益 。为什么…- 4
- 0
-
RAG 技术演进：从朴素检索到智能代理增强
LLM 具备强大的分析能力、推理能力、生成能力，但它仍然无法记得上个月的今天发生了什么，哪怕你曾经在上个月告诉过它。究其原因，是因为 LLM 基于静态语料库训练，你的个人经历并不在其中。它只具备短期记忆，这种记忆依靠一次对话的上下文维持（历史信息会被携带到下一次对话，且信息量有限）。当然，现在的诸多协议已经能够为 LLM 提供很多"外挂"，比如 MCP 协议、A2A 协议，它们…- 3
- 0
-
告别RAG：这套认知记忆系统让AI真正像人一样思考
告别RAG：这套认知记忆系统让AI真正像人一样思考 RAG的价值与三大挑战 RAG（检索增强生成）为AI记忆开辟了新路径，让AI能够访问外部知识库，这是一个重要突破。然而，随着应用的深入，我们发现RAG在构建真正智能体方面面临三个根本性挑战。 第一大挑战：精度损失，信息失真 RAG的核心是向量化存储和相似度检索。这个过程本质上是"有损压缩"。 想象一下，你对AI说：&quo…- 7
- 0
-
爆改RAG！用“自动提问”让你的AI检索像开挂一样精准
❝你还在用传统RAG？那你就OUT了！今天，咱们聊聊如何用“自动生成问题”给RAG加点猛料，让你的AI检索和问答能力直接起飞！ 一、前言：RAG的烦恼与突破 RAG（Retrieval-Augmented Generation）是AI问答界的“卷王”，但它也有自己的烦恼： 检索不准：用户问一句，RAG检索一堆不相关的内容，AI答得云里雾里。 上下文迷失：文本切块后，AI常常“只见树木不见森林”。 …- 7
- 0
-
DeepEval使用自定义模型评估RAG实例
直接上代码吧，理论参见历史文章Deepeval 指标库详解Rag评估框架1、导入依赖包 #导入依赖包import timeimport requestsimport jsonfrom services.ChatService import ChatServicefrom deepeval.models import DeepEvalBaseLLMfrom deepeval.test_case i…- 31
- 0
-
用 LangGraph 打造了一个迷你 RAG：150 行代码跑通知识库问答
你是不是厌倦了在低代码平台上，拖拉拽一通操作搭建RAG系统？是不是想深入学习RAG，自己实现RAG的每一个步骤？今天我们将用最精简的方式，带你从零实现一个完整的RAG系统！通过LangChain+LangGraph实战，深入拆解RAG的每个核心模块，告别"黑箱"操作，真正理解检索增强生成的运行机制。速览 MiniRAG体积：不到 150 行核心代码向量存储：PGVector，一…- 3
- 0
-
RAG文档处理的一种优化方案——问答对的转换技巧
“ 在RAG中根据不同的场景有多种不同的优化方案，因此我们需要根据场景选择合适的解决方案。” 在RAG文档检索增强中，文档预处理是相当重要的一环；以目前大模型的能力来说，已经能够很好的根据参考文档回答用户问题，但现在的问题是在RAG的前期阶段——也就是文档预处理阶段却是一个技术难点。 而且针对不同的文档类型和文档内容，处理方式也不尽相同，因此RAG的文档处理效果也参差不齐。 而今天我们就来提供一个…- 7
- 0
-
【精读】构建和扩展 RAG 系统的实践经验总结
本文是一份关于构建和扩展检索增强生成（RAG）系统的实践经验总结。原文作者 Jakob 基于他在谷歌设计和部署了超过 50 个 RAG 应用、服务约 500 万用户的经验，提炼出一套可复用的 RAG 设计决策蓝图 文章旨在帮助开发者理解 RAG 的核心概念，并指导他们如何围绕知识库构建、内容检索和响应生成这三大关键环节做出明智的设计决策，从而构建出实用且高效的 RAG 系统。 RAG 基本概念…- 4
- 0
-
聊聊在Dify上如何做高效RAG&集成Milvus向量库存储检索的原理
向量模型的配置 在 Nvidia A10 等机器上，基于 Ollama、xinference 等中间件部署向量模型，目前向量模型的选型暂定为 bge-m3、bge-reranker-v2-m3；然后在 dify 内引入即可。 Dify 写入 Milvus 原理 基于配置的向量模型，通过特定的中间件 SDK 或是标准的 OpenAPI，Dify 将文档数据实时写入到 Milvus 中存储，并用于后续…- 5
- 0
-
基于Dify 知识库的实验demo：从0到1构建智能商品分类系统
大家好，我是 dify 实验室的阿亚。最近接到了一个新的任务，就是实现一个商品自动分类的功能，根据商家提供的商品名称，实现商品的自动归类，本篇文章记录了各种踩坑的过程，直到实现一个验证可行demo的实验过程。一、最初的挑战：为成千上万的商品自动“安家”想象一下，你面对着成千上万个商品，需要为它们精准地打上三级分类标签，比如把“新款纯棉透气T恤”分到“服装 > 男装 > T恤”下。手动操…- 9
- 0
-
Dify智能体开发：RAG 技术深度解析与知识库实战指南
检索增强生成（RAG, Retrieval-Augmented Generation）技术通过 "动态检索 + 智能生成" 的黄金组合，让 AI 系统既能调用实时知识库，又能生成自然语言回答，彻底改写了大模型的应用范式。本文从原理到实战，全面拆解 RAG 技术如何让 AI 告别 "胡编乱造"，在企业知识库、智能客服等场景中实现 90% 以上的回答准确率提升。…- 7
- 0
-
爆改RAG！Relevant Segment Extraction（RSE）让你的AI检索“有头有尾”，不再碎片化
❝你还在用传统RAG（Retrieval-Augmented Generation）检索一堆“东一榔头西一棒槌”的文本碎片，然后让大模型自己拼拼凑凑？别闹了，AI都快被你玩成拼图大师了！今天，咱们聊聊如何用Relevant Segment Extraction（RSE）让你的RAG系统“上下文连贯”，让大模型如虎添翼，输出更靠谱、更有逻辑的答案！ 1. 传统RAG的“碎片化”困境 先来个灵魂拷问：…- 5
- 0
-
从知识检索到自主决策：传统RAG与Agent搜索的深度对比
传统RAG：知识检索与生成的结合 检索增强生成（RAG）是当前最热门的大型语言模型应用方案之一，其核心思想是通过自有垂域数据库检索相关信息，然后将其作为提示模板的一部分提供给大语言模型，以提升生成内容的准确性和相关性。这一技术本质上是将检索模型（设计用于搜索大型数据集或知识库）和生成模型（如大型语言模型）的优势相结合，为用户提供更高质量的回答。 RAG的核心原理 检索增强生成（RAG）是一种使用来…- 8
- 0
-
RAG彻底爆了！一文读懂其架构演进及核心要点
👉目录 1 引言 2 RAG演变流程 3 总结 4 一些思考本文系统梳理了检索增强生成（RAG）架构的演进历程，从基础架构到智能化解决方案的迭代路径。文章通过对比Naive RAG、Advanced RAG、Modular RAG和Agentic RAG四代架构的核心特点与技术突破，揭示了RAG技术如何通过模块化设计、智能体协同等创新解决知识更新、语义对齐和复杂任务处理等关键问题，为LLM应用落地…- 6
- 0
-
长上下文在大语言模型检索增强生成（RAG）中的作用：全面综述
点击“蓝字” 关注我们一、长上下文与RAG的协同演进 随着大型语言模型（LLMs）的飞速发展，检索增强生成（Retrieval-Augmented Generation，RAG）技术已成为解决模型幻觉、提升输出可靠性的核心方案。RAG通过将外部知识库与模型生成能力结合，使LLMs能够基于真实数据生成准确回答，而非单纯依赖预训练阶段的固有知识。在这一架构中，长上下文处理能力被视为突破RAG性能瓶颈的…- 6
- 0
-
重新思考RAG的相关性：相似≠相关
最近，我在阅读一些关于 RAG系统的资料时，发现了一个有趣的现象：RAG 的相关性问题远比我们想象的要复杂。无论是从数据检索的角度，还是从大模型对相关性的理解来看，RAG 的表现都充满了挑战和机遇。 今天，我想和大家分享一下我的思考，希望能给大家带来一些启发，如有不对的地方欢迎讨论交流。 1. RAG 与相关性：不仅仅是向量嵌入当我们谈论 RAG 时，很多人会立刻想到向量嵌入和相似性度量。确实，向…- 4
- 0
-
亲测成功！小白用AI工具0代码搭建RAG问答系统全过程揭秘
前几天突发奇想，看看能不能在一行代码都不会写的情况下，弄一个可用的基于RAG 的 AI 问答网站。结果着实让我震惊了一下，仅仅用了2 个小时，AI 就做出了一个可用的产品。AI 完成了网站的客户端和服务端的所有文件创建，代码编写，实现了真正的基于 RAG 的问答。我是 cursor 来实现的，让我们看看整个过程是如何完成的。前端首先，我告诉 cursor 帮我创建一个网页，很快，它就帮我建好了一个…- 9
- 0
-
RAG（检索增强生成）科普介绍
点击蓝字 关注我们 RAG（检索增强生成）科普介绍 RAG（检索增强生成）：作为大模型的动态知识引擎，它能突破模型静态知识的边界，有效解决知识时效性不足、输出可信度有限等问题。 Agent（智能代理）：作为大模型的智能执行中枢，它赋予模型自主规划任务、做出决策及调用各类工具的能力，让模型具备更主动的行动能力。 今天带来的是系列分享的第六篇：RAG的科普介绍。 1. RAG是什…- 4
- 0
-
文档太长模型“吃不下”？15种Chunking神技，助你打造聪明绝顶的RAG系统！
❝你以为RAG系统的“聪明才智”全靠大模型？错！真正的高手，都是切块（Chunking）切得好！一、前言：RAG系统的“吃饭哲学”大家好，我是你们的AI技术侃侃君。今天我们聊点硬核又接地气的：RAG系统里的文档切块（Chunking）。你是不是也遇到过这种尴尬：明明有一份厚厚的文档，想让大模型帮你总结、问答、检索，结果模型一脸懵逼——“对不起，token太多，我吃不下！”别急，这不是模型太菜，而是…- 5
- 0
-
RAG检索不准？99%的人都忽略了这一步！
大家好，我是你们的AI技术技术博主许泽宇。今天我们要聊一个让RAG（检索增强生成）系统“脱胎换骨”的秘密武器——语义切分（Semantic Chunking）。别急，听起来高大上，其实它的本质就是：如何把一大坨文本，切成AI最爱吃的“小块”，让它检索起来又快又准。 你是不是也遇到过这种尴尬：明明知识库里啥都有，AI一问三不知，检索出来的内容不是驴唇不对马嘴，就是答非所问？别怀疑，问题很可能就出在“…- 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：×