-
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…- 23
- 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…- 7
- 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…- 4
- 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”…- 5
- 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…- 12
- 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…- 7
- 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…- 5
- 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…- 10
- 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
-
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…- 5
- 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…- 6
- 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…- 6
- 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"…- 5
- 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…- 5
- 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…- 7
- 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…- 9
- 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…- 7
- 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…- 4
- 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…- 7
- 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…- 6
- 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…- 5
- 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…- 6
- 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：×