-
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…- 14
- 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…- 17
- 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。…- 12
- 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：…- 7
- 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…- 4
- 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…- 10
- 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…- 8
- 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…- 6
- 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…- 3
- 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…- 6
- 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
-
OpenAI 无需向量化的RAG新范例：探索大模型时代的高效知识问答与模型选择之道
在当今数字化的浪潮中，各类智能客服系统已成为我们日常生活中不可或缺的一部分。这些系统旨在帮助用户从海量文档中迅速找到所需信息并提供答案。在大多数情况下，检索增强生成（RAG）技术是实现这类系统的首选方案。传统RAG通常涉及复杂的向量化过程，然而，OpenAI最近分享了一个令人耳目一新的问答系统开发案例，它同样基于RAG，却完全无需向量化。这究竟是如何做到的？本文将深入探讨这一创新范例，并进一步引申…- 17
- 0
-
详解RAG评估指标与评估方法
今天我们来详细聊聊RAG的评估方法都有哪些。在此之前，先来简单介绍下什么是RAG。RAG基础概念Retrieval Augmented Generation，检索增强生成。 RAG = 检索技术（Search）+ LLM 提示。其主要目的是通过从外部检索与输入问题相关的相关信息，然后利用这些信息来引导生成过程，从而提高生成文本的相关性、准确性和多样性。具体可以参照下图： RAG技术包括三个核心部分…- 9
- 0
-
一文读懂GraphRAG：把知识图谱塞进RAG，AI从“聪明”走向“懂事”
当我们说“大模型健忘”，其实说的是它的“知识储存能力有限”，尤其是面对企业内部专业文档、复杂背景知识时，一问三不知的现象比比皆是。 为了解决这个问题，RAG（Retrieval-Augmented Generation）应运而生，它通过检索外部知识增强生成回答的准确性，成了AI工程的“标准套路”。 但经典RAG也有短板：它只会“关键字匹配”，不会“理解知识结构”，检索和生成之间始终隔着一层“信息语…- 8
- 0
-
文档太长模型“吃不下”？试试这15种Chunking策略，轻松搞定RAG！
1、RAG系统也能“切块”？15种Chunking技巧让你的检索生成更聪明！ 你知道吗？在构建一个强大的RAG（Retrieval-Augmented Generation）系统时，决定其“聪明程度”的，可能不是模型本身，而是——你怎么“切块”你的文档。 在NLP领域，RAG系统已经成为处理复杂问答、文档摘要、知识库检索等任务的利器。但面对动辄上万字的文档，如何在不丢失上下文的前提下，把它们“切”…- 4
- 0
-
Spring Ai RAG 技术让大模型回答更精准
你是否遇到过：Chat AI 回答行业问题时总说车轱辘话？内部知识库更新后，AI仍然给出过期答案？ Spring AI的RAG技术正是为解决这些问题而生，结合信息检索和文本生成的技术，通过先查资料后回答的机制，让AI摆脱传统模型的"知识遗忘”困境。 特性 传统Ai Spring Ai RAG 时效性 训练时固定 实时更新知识库 准确性 容易泛化 基于企业文档生成 复杂度 需完整微调 低代…- 9
- 0
-
5分钟了解GraphRAG和Mem0
一句话总结全文: GraphRAG是基于图+向量混合存储技术的RAG，Mem0是GraphRAG的一种实现，它的准确率比OpenAI Memory高26% ，延迟降低91%，并且节省了90%的Tokens，Mem0没有Java SDK但是提供了可供Java调用的Python Service，文章最后结合Mem0论文介绍了Mem0提升效率和节省Token的原理下期预告：大概是Java如何使用Mem0…- 6
- 0
-
技术总结之RAG用于文档信息抽取及多模态大模型两阶段训练范式
今天是2025年7月9日，星期三，北京，晴 我们来看几个问题，一个是AG竞赛总结及用于信息抽取的实现范式，看看目前怎么解。 另外，再看看大模型训练相关轮子指引，包括多模态大模型训练的两阶段范式以及其他头部模型的训练指引，东西越来越多，温故而知新。 最近的趋势：轮子与解决方案同质化之下，业务know-how更加为上。 一、RAG竞赛总结及用于信息抽取的实现范式 1、SIGIR 2025 LiveRA…- 6
- 0
-
AI大模型落地最后一公里：RAG？
对于一个旨在处理特定领域内容的专属智能体来说，其最终的生产力价值，几乎完全取决于其背后私有知识库的质量和处理水平。 尝试做过一些智能体，上传过私有文档，但召回质量都达不到预期，不停地尝试和踩坑，不同的平台不管是开源的还是在线的，上传pdf文档，提取文档，建立索引，然后提问，大模型返回的内容总是失望，经过N次尝试总是达不到预期的效果，根本原因都还是落到了RAG。 一、大型语言模型（LLM）与私有知识…- 7
- 0
-
RAG不好用？那是你没用对，不妨从这5个方面做一下调整！
↑↑↑ 点击关注，分享IT技术|职场晋升技巧|AI工具前几天发表一篇文章到底是用RAG还是大模型微调，你只需要看这几点，有位读者朋友觉得创业公司搞RAG是自欺欺人，这观点我不太赞同。我认为，RAG的效果不见得比微调差，而且真正使用RAG的公司要远远多于大模型微调。 RAG最大优势在于无论是在搭建部署方面还是在后期维护以及成本方面都非常有优势。对于中小企业来说，有这一点就足够！ 如果你的RAG效果不…- 8
- 0
-
打破局限！RAG在视觉模型中的应用。
在人工智能领域，计算机视觉系统正迎来一场前所未有的变革。过去，这些系统虽然擅长识别物体和模式，但在处理上下文和推理方面却显得力不从心。如今，随着检索增强生成（Retrieval-Augmented Generation，简称RAG）技术的引入，计算机视觉系统正在突破传统限制，变得更加智能和高效。今天，我们就来深入探讨RAG如何为计算机视觉带来翻天覆地的变化。 一、什么是RAG，它为何对计算机视觉如…- 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：×