-
综述-构建实用RAG工具链：开发者必备技术栈深度解析
点击“蓝字” 关注我们在人工智能应用开发领域，检索增强生成（RAG）架构已成为构建具备上下文感知能力智能应用的核心框架。尽管"先检索后生成"的概念看似简单，但实际落地的RAG系统需要精心设计的工具栈支撑，每个组件都对系统性能、准确性和可扩展性至关重要。本文将深入剖析RAG工具链的关键组成部分，详解开发者实际采用的主流技术方案，并揭示各组件在完整流水线中的协同机制，为构建企业级R…- 7
- 0
-
别小看RAG，它的使用场景远远高于大模型微调
↑↑↑ 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。 我在没有深入研究RAG之前，也是觉得微调效果一定会比RAG好，其实并非如此。RAG用好了，效果要比微调好得多。关键是RAG无论是在搭建…- 9
- 0
-
RAG开发者必看谷歌新论文MUVERA：让多向量检索与单向量搜索一样快
在做 #RAG 的开发者一定要看看 Google 这篇信息检索领域的新#论文，介绍了一种名为 #MUVERA 的先进检索#算法。该算法能将复杂的多向量检索问题，巧妙地简化为单向量的最大内积搜索，从而在保持高精度的同时，实现与单向量搜索相媲美的速度。 可以关注公众号 #极客开源 👆获取最新一手 #AI大模型 #开源项目 信息，如果这篇文章对你有用，可以点个“推荐”，听说会影响公众号的#推荐算法。 背…- 12
- 0
-
检索增强生成（RAG）的设计原理与架构解析
点击“蓝字” 关注我们在大型语言模型（LLM）蓬勃发展的今天，模型生成内容时的两大痛点日益凸显：一是"幻觉"现象，即模型凭空编造错误信息；二是知识陈旧，无法及时更新最新数据。检索增强生成（Retrieval Augmented Generation, RAG）作为应对这些挑战的创新范式，通过将外部知识检索与模型生成能力深度结合，构建了一套"检索-理解-生成"…- 13
- 0
-
在RAG应用中使用结构化数据的5种方法
大家好！今天来聊聊如何在RAG应用中更好地利用结构化数据。很多同学可能觉得RAG主要是处理文本文档，但其实结构化数据也能发挥很大作用。我总结了5种实用的方法： 1. 直接存储行数据 最简单直接的方式就是把数据表的每一行当作一个独立的chunk来处理。这种方法特别适合那些单行数据就能表达完整意思的场景，比如交易记录、产品规格表或者客服工单。每一行都有完整的上下文，检索起来效果很好。 2. 存储查询结…- 11
- 0
-
告别人工智障！Dify+KAG：秒变「AI推理大师」。蚂蚁OpenSPG部署全解（含实测）
RAG (Retrieval-Augmented Generation，检索增强生成)——你一定不陌生吧！答不对、搜不到，是 "非结构化文档" 问答中常见的两大痛点。因为RAG存在向量相似度与知识推理相关性差距较大、对知识逻辑（如数值、时间关系、专家规则等）不敏感，严重降低了使用体验。于是，KAG（Knowledge-Aware Graph Generat…- 12
- 0
-
智能检索+图技术：Neo4j、Kùzu 与代理式 RAG 的崛起
点击“蓝字” 关注我们在人工智能领域，大型语言模型（LLMs）正以惊人的速度重塑我们与机器交互的方式。然而，这些模型在处理复杂知识和动态信息时仍面临挑战。检索增强生成（RAG）技术的出现为解决这一问题提供了新思路，而当RAG与知识图谱（KGs）结合，并引入智能代理（Agents）进行流程编排时，一个更强大的AI生态正在形成。本文将深入探讨图基RAG（Graph RAG）的技术内涵、核心工具及代理驱…- 11
- 0
-
忽视Embedding？你的RAG正在暗坑里裸奔！
你是否曾为一个智能问答系统倾尽心血，满怀期待地部署上线，却发现它频频翻车？用户抛来的问题，它要么答非所问，要么迟迟无应。你百思不得其解：是模型不够强，还是数据有问题？别急，低头看看脚下——你可能忽略了一个致命的“暗坑”：Embedding模型。作为RAG（Retrieval-Augmented Generation）系统的命脉，Embedding模型若选错了，你的系统就像在黑夜里裸奔，随时可能摔得…- 11
- 0
-
向量相似度检索遇到天花板，是否我们走错了？
本文是 DocuPanda.io 的联合创始人 Uri Merhav 在 Medium 发布的一篇博客，主要介绍向量相似度检索的问题以及他们的解决方案。 “依赖预设的相似性判断是有根本缺陷的，注定无法真正奏效。我们应当追求更智能、更精准的方式。” 大约两年前，作为一名机器学习顾问，我参与了多个项目，尝试让 GPT 更加实用和具备专业知识。在其中一些尝试中，我让 GPT 扮演了不同的角色，例如客户支…- 7
- 0
-
爆改RAG检索力：三大Query变形术，助你玩转AI知识检索！
❝你以为RAG（Retrieval-Augmented Generation）就是“检索+生成”那么简单？那你可太低估AI界的“内卷”了！今天，咱们就来聊聊如何用三大Query变形术，把RAG的检索力拉满，助你在AI知识海洋里捞到最肥的鱼！ 一、RAG的“灵魂拷问”：你真的会提问吗？ 在AI时代，信息检索的效率和质量，80%取决于你“怎么问”。RAG系统的本质，就是“你问得好，我答得妙”。但现实往…- 10
- 0
-
爆改RAG！HyDE：让你的AI检索像“脑补”一样聪明
你有没有遇到过这样的尴尬：你问AI一个问题，结果它只会机械地在文档里“翻字典”，找出来的答案不是太浅就是不沾边？别急，今天我要给大家安利一个让RAG（Retrieval-Augmented Generation）焕然一新的神器——HyDE（Hypothetical Document Embedding），让你的AI检索像“脑补”一样聪明！一、RAG的“短板”：你问一句，它懵三分传统的RAG系统，流…- 11
- 0
-
爆改RAG！层次化索引让你的AI检索“又快又准”
❝你还在用传统RAG（Retrieval-Augmented Generation）检索PDF？那你可真是“用爱发电”！今天，咱们来聊聊如何用层次化索引（Hierarchical Indices）让RAG系统脱胎换骨，检索效率和准确率双双起飞！ 一、RAG的“前世今生”：你以为的检索，其实很粗暴 RAG，顾名思义，就是“检索增强生成”。它的基本套路是：把文档切成一块块小“肉丁”，用户提问时，先检索…- 3
- 0
-
【AI产品】常见RAG框架
很多同学对RAG的认识仅停留在检索增强生成概念上，作为当前AI应用的当红炸子鸡，很有必要对常见RAG框架做些了解。 PS：没耐心的可直接跳到最后总结部分。 一、通用型RAG框架 适用于基础问答、文档分析等通用场景，提供模块化组件和易用接口。 Haystack 核心特点：模块化设计，支持Elasticsearch+FAISS混合检索，TB级数据处理能力。 应用场景：金融合规文档分析（某银行客服响应准…- 8
- 0
-
企业RAG实战之探索Function Calling（函数调用）实现智能客服系统
RAG赋予大模型访问私有知识库的能力，而Function Calling则使其能够读取和写入数据库。这两种能力的协同作用，将使智能客服变得更加智能、高效和个性化。1.Function Calling可以解决什么问题？RAG虽然解决了知识覆盖问题，但对于动态且针对用户的业务数据（如订单状态、产品库存、账户余额）仍然无能为力。Function Calling机制通过调用数据库查询接口，实现查询用户的实…- 12
- 0
-
爆改RAG检索体验：向量+关键词，双剑合璧的“融合检索”实战指南
❝你以为RAG（Retrieval-Augmented Generation）检索只能靠向量？那你可就out了！今天，咱们就来聊聊如何用“向量+关键词”双剑合璧，打造检索界的“六边形战士”——融合检索（Fusion Retrieval）。 一、检索界的“武林大会”：向量 vs. 关键词 在AI知识检索的江湖里，向量检索和关键词检索（BM25）各有绝活： 向量检索：擅长“意会”，能理解“你说的不是你…- 9
- 0
-
企业级RAG智能体落地实战：10个血泪教训让你避开99%的坑
Hi，大家好，我叫秋水，当前专注于 AI Agent（智能体）。 最近看到一个非常有价值的分享，是来自RAG技术创始人、Contextual AI公司CEO Douwe Kiela在生产环境中部署RAG智能体的10个核心经验。 作为一个在AI应用开发一线摸爬滚打的开发者，我发现这些经验简直就是企业AI落地的避坑指南。 你是否也遇到过这些痛点问题： • 为什么投入巨资搞AI，但ROI却迟迟看不到…- 12
- 0
-
【Ragflow】30.离线环境迁移方案
前言 之前的 Ragflow-Plus 在服务器上稳定运行一段时间后，接到任务，要把服务迁移到一台古老的，离线的windows台式机上。 起初认为，下载离线安装包，加载离线镜像，迁移下数据就可以了。 结果坑多得意想不到，折腾了一晚上才搞定。 本文就来分享一下解决方式，Ragflow-Plus 用的是和 Ragflow 相同数据存储方式，用 Ragflow 部署的系统可相同适用。 数据迁移准备 1…- 21
- 0
-
如果你的RAG系统不好用，请收藏一下这份RAG系统优化指南
↑↑↑ 点击关注，分享IT技术|职场晋升技巧|AI工具昨天有个同学来咨询我，说他们做的智能客服很不好用，明明问题答案就在知识库里，但智能客服就是一直胡说。这种问题在RAG系统中太常见了，大概率是在某些地方配置的不合适。 今天我总结了几个关于RAG系统的优化的策略方法，大家可以参考一下。当然，在这提醒一下大家，这些方法不见得一定适合你的RAG系统，你最好是根据你实际的场景针对性地去做调整，并且这个优…- 14
- 0
-
从零搭建企业级RAG知识库问答系统
本文作者系360奇舞团前端开发工程师 RAG 是什么 RAG（Retrieval-Augmented Generation，检索增强生成） 是一种融合信息检索与大模型生成能力的技术架构。其核心逻辑分三步： 检索（Retrieve）：从企业知识库（产品文档、技术手册等）中定位与用户问题相关的片段； 增强（Augment）：将检索结果作为上下文输入大模型； 生成（Generate）：模型基于上下文生成…- 10
- 0
-
RAG检索策略深度解析：从BM25到Embedding、Reranker，如何为LLM选对“导航系统”？
大家好！今天我们来聊聊一个热门技术——RAG（检索增强生成）中至关重要的“检索”环节。如果你正在探索如何让你的大型语言模型（LLM）更智能、回答更靠谱，那这篇文章你可千万别错过。 我们会一起深入了解几种主流的检索策略：从经典的BM25，到现代的各类Embedding技术（稀疏、密集、多向量），再到提升最终效果的Reranker。目标是帮你理解它们的工作原理和适用场景，为你构建高效RAG系统提供…- 7
- 0
-
从碎片到图谱：Graph RAG如何用知识网络颠覆传统搜索？
在传统的RAG中，我们先会把文章切成一块一块的文字片段，然后把每一块都通过embedding转化成向量存到向量数据库里。不了解传统RAG的小伙伴，我们来举一个简单的例子说明一下。 如果我们按句子来分块存到向量数据库中后，那么当用户问“老王喜欢吃什么”时，系统就很容易找到“老王喜欢吃西瓜”和“老王也喜欢吃桃子”。如果他们的主题相关度很高，但是如果你问“这篇文章里一共提到了几次西瓜”，那就有点麻烦…- 6
- 0
-
qodo如何构建大型代码仓库的RAG？
拥有数千个仓库和数百万行代码的代码库，大多是遗留代码，这使得上下文感知成为企业开发者采用AI时的关键因素。而检索增强型生成（Retrieval Augmented Generation，简称RAG）技术正是解决这一问题的有效手段。本文将详细介绍如何将RAG应用于大规模代码库，以及qodo（前身为Codium）在构建生成式AI编码平台时所采取的策略。在大的代码仓库中使用RAG RAG大致可以分为两个…- 7
- 0
-
爆改RAG！让你的AI检索“见人说人话，见鬼说鬼话”——自适应检索的魔法揭秘
❝你以为RAG（Retrieval-Augmented Generation）只是“搜一搜+写一写”？那你就太低估AI的“社交能力”了！今天我们聊聊如何让RAG系统像老司机一样，见什么问题用什么招，检索策略随需应变，输出答案又准又妙，堪比知乎高赞答主！ 一、RAG的“尴尬”与“觉醒” 1.1 传统RAG的“直男式”检索 RAG系统的基本套路大家都懂：用户提问，系统先去知识库里“搜一搜”，然后把搜到…- 4
- 0
-
RAG系统的“聪明药”：如何用反馈回路让你的AI越用越聪明？
大家好，我是你们的AI技术侃侃而谈小能手。今天我们来聊聊RAG（Retrieval-Augmented Generation，检索增强生成）系统的进化之路——如何让它像喝了聪明药一样，越用越聪明，越聊越懂你。 你是不是也有这样的体验？用ChatGPT、文档问答机器人，刚开始觉得还行，但用久了发现它总是“死脑筋”，问同样的问题，答得千篇一律，甚至一错再错。你想：“要是它能记住我的吐槽和建议，下次别再…- 7
- 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：×