-
AI Agent 记忆技术浅析
什么是Agent记忆？Agent记忆（Agent Memory）是指AI Agent在执行任务过程中存储和管理信息的能力和机制。它类似于人类的记忆系统，使Agent能够记住过去的交互、经验和知识，并在后续任务中利用这些信息做出更好的决策。这种记忆机制对于实现持续学习和处理长期任务至关重要。什么Agent需要记忆？从技术角度来看，Agent的记忆本质上是对大模型有限上下文的一种扩展。在Agent的生…- 7
- 0
-
一个MCP网站推荐&Demo验证
集成 AI 模型的痛点复杂性与集成成本：现有系统或第三方系统中嵌入 AI 模型往往需要大量定制化开发，过程复杂且容易出错。MCP 开放标准的意义开放生态的重要性：MCP 作为一个开放标准，这种开放性有助于形成良好的生态系统，推动技术和产品的持续发展。1、推荐MCP服务目录站https://www.pulsemcp.com/2、检索到一个RAG的站点MCP服务3、服务Serverhttps://gi…- 4
- 0
-
MCP 未来六个月展望
1、读到了一篇对MCP的分析，特别是在划分权限与控制方面有了一个独特的理解MCP 服务器将三种元素分配给不同的控制方：①提示（Prompts）：由用户掌控，程序员提供选项，用户可注入到 LLM 中。②资源（Resources）：由应用（AI 工程师）管理，决定数据使用方式，LLM 不自动干预。③工具（Tools）：由 LLM 控制，服务器提供工具列表，LLM 自主选择并调用。2、这个是RAG 是当…- 7
- 0
-
Dify v1.1.0 发布：用元数据给知识库”贴标签”，RAG 检索效率翻倍
今天，我们很高兴地宣布发布 Dify v1.1.0，并推出了以“元数据”作为知识过滤器的新功能。通过利用自定义的元数据属性，元数据过滤能够提升知识库中相关数据的检索效率和准确度。过去，用户只能在庞大的数据集中进行搜索，无法根据特定需求进行筛选或控制访问，难以快速锁定最相关的信息。而在引入元数据后，相当于给数据打上标签并进行归类，大幅度提高了检索的效率和准确性。对于在 RAG（检索增强生成）场景下需…- 6
- 0
-
企业搭建大模型 RAG 知识库？该选哪个 Embedding 嵌入模型
需求：企业在搭建 RAG 知识库的时候，选择合适的 Embedding 嵌入模型很重要，Embedding 的性能决定了检索的准确性，也间接决定了大模型输出的可信度。常用模型：bge、m3e、nomic-embed-text、BCEmbedding（网易有道）。为什么需要嵌入模型计算机本质上只能处理数字运算，无法直接理解自然语言、文字、图片、音频等非数值形式的数据。因此，我们需要通过“向量化”操作…- 12
- 0
-
【停用词】NLP中的停用词怎么获取？我整理了6种方法
一、停用词介绍在自然语言处理（NLP）研究中，停用词stopwords是指在文本中频繁出现但通常没有太多有意义的词语。这些词语往往是一些常见的功能词、虚词甚至是一些标点符号，如介词、代词、连词、助动词等，比如中文里的"的"、"是"、"和"、"了"、"。"等等，英文里的"the"、…- 6
- 0
-
什么是停用词表？构建RAG系统时为什么要注意异常停用词？
停用词表在英文中叫：Stop Words List，它是一个包含常见、但通常对文本分析或自然语言处理任务 不重要的词汇 的列表。停用词表一般在信息检索、文本分类、情感分析等场景被使用。因为某些词汇其高频出现在表达具体意义时作用有限，因此被称为“停用词”。在处理文本数据时，通常会将这些停用词从文本中移除，以减少数据的稀疏性，提高处理效率，并可能提升后续分析或模型的性能。停用词出了…- 5
- 0
-
2W8000字深度剖析25种RAG变体：全网最全~没有之一
主流RAG框架可以分为以下五个主要的进化方向：成本控制型（适合初创公司）、实时互动型（适用于财经/新闻场景）、域专家类型、认知增强型、安全与合规类型。接下来，让我们详细了解一下这25种RAG变体。1. 标准RAG一个基本的RAG系统由检索模块和生成模块组成。系统会对查询进行编码，检索相关的文档块，然后为基于transformer的LLM构建丰富的提示。查询编码器：使用预训练的转换器（例如DPR）生…- 6
- 0
-
一文搞懂什么是向量嵌入Embedding？
一起来开个脑洞，如果诸葛亮穿越到《水浒传》的世界，他会成为谁？武松、宋江、还是吴用？这看似是一道文学题，但我们可以用数学方法来求解：诸葛亮 + 水浒传 - 三国演义 = ？文字本身无法直接运算，但是如果把文字转换成数字向量，就可以进行计算了。而这个过程，叫做“向量嵌入”。「为什么要做Embedding？」因为具有语义意义的数据（如文本或图像），人类可以分辨它们的相关程度，但是无法量化，更不能直接计…- 8
- 0
-
构建企业RAG系统的全面过程，遵循“Garbage in, garbage out” 原则
零、企业知识库治理很重要1、遵循“Garbage in, garbage out” 原则，只有确保链路每一步的数据和处理结果高质量，最终效果才会满足准确率。所以企业数据治理很重要，数据治理不科学，也就不要想结果科学了。2、RAG是当前比较确认的数据治理框架，今天展开唠唠。一、什么是RAG?检索增强生成（Retrieval Augmented Generation），简称 RAG。结合向量检索（Re…- 5
- 0
-
LangChain进阶指南：RAG实践总结
为什么要使用RAG？当下领先的大语言模型(LLMs)通过大规模数据训练来掌握广泛的普遍知识,这些知识存储在其神经网络的权重中。然而,如果要求LLM生成涉及其训练数据以外的知识(如最新、专有或特定领域信息),就会出现事实上的错误(称为"幻觉")。通过使用微调（fine-tuning）或是检索增强生成（RAG）方式都可解决这一问题。但通常使用微调通常需要耗费大量计算资源、成本高昂，…- 5
- 0
-
AISearchPro-AI智能搜索实践
01背景随着业务的不断扩展，我们的后台系统菜单项必定也会随着不断增加，这可能会给用户在寻找特定功能菜单时带来困扰。进一步复杂化的是，不同子模块或者不同业务项目的菜单名存在命名模糊或相近的现象。考虑到当前OpenAI的流行趋势，可以考虑利用 Text-Embedding 文本嵌入的方式来实现智能检索，以进一步提升用户体验和便利性。基于此场景，本文会介绍搜索实践的两种方案：1、利用LangChain，…- 3
- 0
-
Embedding、向量模型怎么选？知识库准不准还得看它
概念定义与层级关系Embedding（嵌入模型）指将非结构化数据（如文本、图像）转换为低维稠密向量的技术或过程，其核心目标是捕捉数据语义特征，例如：文本Embedding：将句子映射为1536维向量，使语义相似的句子向量距离更近；图像Embedding：将图片转换为向量，支持跨模态检索。向量模型（Vector Model）指直接使用Embedding生成的向量进行任务处理的模型，…- 12
- 0
-
RAG中的chunk质量如何评分？HiRAG对GraphRAG的改进思路及推理大模型用于机器翻译
本文继续看RAG相关进展，三件事儿。一个是关于推理模型用于机器翻译的有趣观点，DeepseekR1这种推理模型用在翻译上会成啥样？一个是如何量化RAG中chunk的有效性？这个比较重要。一个是如何缓解GraphRAG中局部信息和全局信息存在Gap以及实体相似性不足问题？抓住根本问题，做根因，专题化，体系化，会有更多深度思考。大家一起加油。一、推理模型用于机器翻译会成啥样？ 关于推理大模型…- 4
- 0
-
大白话讲解： Agent、 LLM 、RAG 、提示词工程
一、Agent（智能体）——AI里的"打工人"想象你有个24小时待命的虚拟员工，能自己观察环境、思考对策、调用工具完成任务，这就是智能体。和传统AI的区别：传统AI像机器，只能按固定流程执行命令；而Agent更像真人，能灵活应对复杂情况。比如，它能根据用户需求自动分解任务（比如订机票→查天气→推荐行程），还能调用数据库、计算工具等。核心能力：记性好（长期记忆+短期记忆）、会做计…- 7
- 0
-
什么是RAG？大模型和RAG有什么关系？
写在前面在讲RAG之前，我们先说一个大模型的普遍现象，大家应该都用过大模型了，比如 ChatGPT、DeepSeek、豆包、文心一言等等…那么大家在用的时候其实会发现，有时候大模型会乱回答，一本正经地胡说八道，语义不同，前言不搭后语。举个例子：你问大模型，美国成立时间。大模型可能会回答：美国成立在1997年，距离现在已有400年的历史…这种现象叫hallucination，幻觉。大模型本质的就是不…- 6
- 0
-
RAG效果差竟因文本切片！深入理解LangChain4J NLP方案
背景RAG 文本切片文本切片是构建高效RAG（检索增强生成）系统的关键预处理步骤：• 首先，语言模型的上下文窗口限制要求将长文本切分为语义完整的段落，确保关键信息能被完整捕获；• 其次，精准的切片策略能提升向量检索的查准率，避免因信息过载导致的语义稀释问题；• 最后，合理的切片粒度（如句子或段落级）可保持语义连贯性，为后续的上下文推理基础。这种预处理机制直接决定了RAG系统在知识召回精度和生成内容…- 6
- 0
-
NLP+图技术：如何低成本打造高效GraphRAG应用？
利用 NLP 构建混合图，赋能 RAG 和 GraphRAG 应用本文将介绍如何利用自然语言处理 (NLP) 的强大功能，构建用于检索增强生成 (RAG) 和图 RAG (GraphRAG) 应用的混合图。什么是 GraphRAG？GraphRAG …- 6
- 0
-
使用 Ollama 本地模型与 Spring AI Alibaba 的强强结合，打造下一代 RAG 应用
01RAG 应用架构概述Cloud Native 1.1 核心组件Spring AI：Spring 生态的 Java AI 开发框架，提供统一 API 接入大模型、向量数据库等 AI 基础设施。Ollama：本地大模型运行引擎，大模型时代的 Docker，支持快速体验部署大模型。Spring AI Alibaba：Spring AI 增强，集成 DashScope 模型平台，快速构建大模…- 2
- 0
-
一文学会基于LangChain开发大模型RAG知识问答应用
RAG全称是Retrieval-Augmented Generation，即检索增强生成。通俗来讲,就是在用户提的问题的基础上，引入相关资料信息，把“问题+相关资料” 一起给大模型，让大模型在参考资料的约束或提示下回答问题而不是随意发挥，从而期望大模型生成质量更高、更准确的答案，改善大模型”幻觉“、训练数据过时、 知识范围有限等带来的负面问题。在涉及到专业领域知识或企业内部知识的应用场景中，这项技…- 3
- 0
-
GraphRAG落地难，微软工业级RAG+Agent实施方案
一、RAG面临的问题RAG系统需要处理来自不同领域的复杂数据，包括文本、表格、图表等，这些数据的格式多样，且包含大量非文本信息。现有的RAG方法在处理这些复杂数据时，存在以下问题：知识源多样性复杂RAG系统需要处理来自不同领域的多样化数据，这些数据不仅格式多样（如扫描图像、数字文本文件、网页数据等），还可能包含专业数据库。现有的RAG方法在处理这些复杂数据时，难以高效提取专业领域知识。领域专业性不…- 7
- 0
-
Embedding向量模型在RAG本地知识库中如何使用
一、背景 当我们使用检索增强生成（RAG）技术来搭建本地知识库时，Embedding 模型就如同这个图书馆的智能索引系统，能让我们快速准确地找到所需的知识。 对于刚接触这一领域的小白来说，Embedding 模型到底是什么，它在本地知识库中扮演着怎样的角色，可能还比较模糊。 …- 8
- 0
-
DeepSearch/DeepResearch中最优文本段选择和URL重排
从长网页提取最优文本段：如何利用迟分(late-chunking)算法，从长网页内容中选取最相关的信息小片段。对收集到的URL进行重排：如何利用重排器(Reranker) 让 LLM Agent 在几百个URL中聪明地选择爬取哪一个 URL？可能有人还记得我们上一篇里的结论：“在 DeepSearch 中，Embeddings 模型仅适用于诸如 STS（语义文本相似度）任务之类的查询去重，而 Re…- 6
- 0
-
大模型私有知识库如何提高准确率？切块是关键
前言RAG 就像我们做开卷考试，在回答考题之前，先翻我们准备的资料（通过检索相关文档来增强自己的能力），这样一来，答题不仅更准确，还能带上更多上下文信息，显得更有深度和针对性。在 RAG 中，我们需要提前预备知识资料，然后向量化后存到向量数据库中，在回答问题的时候，并对问题进行向量化，然后去检索我们数据库是否有相似的内容，如果相似则召回，并把召回的内容一并给到大模型（如：Deepseek），然后通…- 4
- 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：×