-
RAG召回优化完全指南：从理论到实践的三大核心策略！
在构建RAG（检索增强生成）系统时，我们经常遇到这样的问题：明明知识库里有相关内容，但检索出来的结果却不够准确。用户问"如何提高深度学习训练效率？"，系统却返回了一堆关于深度学习基础理论的文档，真正有用的优化技巧反而被埋没了。 这个问题的根源在于召回环节的不足。召回是RAG系统的第一道关卡，它决定了后续生成的质量上限。今天我们就来深入探讨三个核心的召回优化策略，并提供完整的代码…- 5
- 0
-
RAG 检索四件套全解析：模型、向量库、检索方式、排序器，一文选型不踩坑
想做智能客服、企业知识库、RAG 应用？你绕不开的问题是：该用什么向量模型？用什么库？用什么排序器？本篇一次讲清 一、向量模型 向量模型是整个语义检索链路的第一步，选错模型，后面再怎么优化都救不回来。 1.什么是向量模型？核心关注点有哪些？ 一个文本 embedding 模型的核心目标是： 把文本映射成一个能表达语义的向量，供向量库做检索、排序或相似度计算。 我们选模型时，主要看这几个维度： 指标…- 22
- 0
-
从0到1，彻底搞懂 RAG 分块的艺术（附开源代码）
你是否也曾困惑：为什么我的 RAG 系统总答非所问？明明喂给它了完整的文档，为什么还是抓不住重点？ 答案可能藏在最基础、也最容易被忽视的一环 —— 分块（Chunking）。 分块是 RAG 系统的“数据预处理器”，它连接着原始文档和语义检索，是决定模型能否“读懂”资料、并给出精准回答的命脉。今天，我们就来一场深度探索，彻底搞懂 RAG 分块这门艺术。 为什么分块如此重要？ 想象一下，让一个嵌…- 4
- 0
-
大规模RAG实施蓝图
RAG对于大型语言模型应用至关重要，它通过检索相关信息并传递给LLM来提高准确性和减少幻觉。大规模RAG面临扩展挑战，需要关注可搜索单元定义、检索策略选择、排序策略定义以及多个用例的影响，AI搜索平台需支持自动分块、高查询量处理和灵活的索引管道。 译自：A Blueprint for Implementing RAG at Scale[1] 作者：Kai Borgen 检索增强生成（RAG）[…- 15
- 0
-
一小时内构建基于Gemma与Bright Data的生产级RAG应用
点击“蓝字” 关注我们在人工智能快速发展的当下，大语言模型（LLM）的应用日益广泛，但模型幻觉、知识时效性差等问题始终困扰着开发者。检索增强生成（RAG）技术的出现为解决这些问题提供了有效方案，它能让模型基于真实数据生成可靠回答。本文将详细介绍如何在一小时内，利用Gemma 3开源模型和Bright Data的SERP API构建一个生产级RAG应用，无需依赖昂贵的商业服务，全程本地运行。 一、R…- 3
- 0
-
做RAG系统到底是选MaxKB还是FastGPT
↑↑↑ 点击关注，分享IT技术|职场晋升技巧|AI工具RAG技术是当前阶段做内部知识库或者智能客服的不二之选。然而目前市面上可用作RAG的开源软件实在是太多了，Coze、dify、FastGPT、RAGFlow还有MaxKB，当然还有其它，我就不再一一列举了。 今天这篇文章主要探讨在RAG领域，到底是选MaxKB还是FastGPT？ 核心定位与技术架构对比 维度 MaxKB (深度求索) Fast…- 25
- 0
-
企业RAG之构建 FastMCP 服务：基于模型上下文协议的智能服务体系搭建实践
在企业级的RAG系统落地过程中，如何构建一个高效、可扩展、智能化的服务调度体系成为了关键挑战。在本次实践中，我基于 FastMCP 工具，尝试构建一个完整的 多服务协作框架，并将其引入企业RAG架构中，探索其在复杂工具链调度、上下文保持、智能决策等方面的能力。为什么选择 FastMCP？FastMCP 是对 MCP 协议的轻量实现，支持标准化的能力注册、健康检查、工具…- 13
- 0
-
RAG数据准备完整实战指南：从原始文档到高质量知识库
在实际项目中，我发现很多RAG系统效果不佳的根本原因并非检索算法或生成模型的问题，而是数据准备阶段的疏忽。经过多个企业级项目的实践，我总结出这套系统性的数据处理方案，能让检索准确率提升40%以上。 一、搭建数据评估与分类系统 1.1 敏感信息自动识别实战 首先安装必要的依赖包： pip install presidio-analyzer presidio-anonymizer spacypytho…- 5
- 0
-
企业RAG之数据源构建：爬取巨潮资讯网上市企业年报
在构建企业RAG知识库时，数据源通常可分为两类： 企业内部知识库：结构明确、数据量中等、可控性强； 行业领域专属数据源：数据公开但体量庞大，结构复杂。 企业内部数据与行业数据的结合，是构建高质量AI问答系统的核心路径。本篇文章聚焦于企业财报类RAG系统的数据采集阶段，以巨潮资讯网为例，介绍一个稳定、高效的爬虫系统设计方案。 一、为什么选择巨潮资讯网？ 巨潮资讯网是中国证监会指定的信息披露平台，覆盖…- 67
- 0
-
HiRAG：一种基于层级知识索引和检索的高精度RAG
概览 论文标题:HiRAG: Retrieval-Augmented Generation with Hierarchical Knowledge 论文链接:https://arxiv.org/pdf/2503.10150.pdf 代码链接:https://github.com/hhy-huang/HiRAG 发表会议:arxiv 一、研究背景 现有基于知识图谱(KG)的检索增强生成(RAG)方法…- 4
- 0
-
长文本放提示词中还是采用 RAG？
上周我的 AI 实战营知识星球有一个同学提问：老师，请教下，现在大模型已经支持10多万输入token了，我有个项目提示词有7000来个字，是不是不用RAG也行，效果会比用RAG差？ 这个问题非常典型，可能也会有很多朋友遇到类似的困惑，我把我的答案分享出来： 一、一些常识 1 通常来说，输入越长模型输出越慢，消耗 Tokens 越多，成本就越高 2 虽然很多国外先进模型已经支持 10W tokens…- 14
- 0
-
检索链路全优化：查询重写、重排与压缩如何提升 RAG 效果
关注我们 从"答非所问"到"精准回答"：30+架构图解密RAG系统优化的核心秘籍 AI 应用开发，还需要意图识别吗？ Agent 任务分解的完整技术栈（附完整技术方案）" data-itemshowtype="0" linktype="text" data-linktype="2">…- 4
- 0
-
2W8000字揭秘RAG：从基础到高级的逆袭，彻底重塑大模型！
2W8000字揭秘RAG：从基础到高级的逆袭，彻底重塑大模型！ ❝本文2W8000字，配图58张，分了11个小节介绍RAG技术，后续会把最新的方法更新进来~，有些内容是翻译自HuggingFace和一些论文，更多LLM架构文章：LLM架构专栏近日热文：1. 全网最全的神经网络数学原理（代码和公式）直观解释2. 大模型进化史：从Transformer到DeepSeek-R1的AI变革之路3. 2W8…- 8
- 0
-
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…- 4
- 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，…- 3
- 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…- 17
- 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…- 6
- 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…- 8
- 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…- 11
- 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…- 10
- 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：×