-
解锁Agentic RAG，使用LangChain和OpenAI进行实践
Agentic RAG技术是一种新兴的智能体驱动解决方案，能够应对复杂的多文档问答挑战。这项技术通过智能化手段，不仅提升了我们处理文本数据的效率，还极大地增强了问答系统的准确性和深度。本文带大家来了解这项技术，阐述其如何提升信息检索和分析的效率与准确性。1 Agentic RAG简介Agentic RAG是由智能体驱动的技术，能够灵活处理多文档问答任务。这项技术不仅能比较文档、总结内容，还能对多个…- 5
- 0
-
RAG(检索增强生成)系统实践与调优
在人工智能领域，检索增强生成（Retrieval Augmented Generation, RAG）是一种结合信息检索和生成式人工智能的技术，它通过从外部数据源中检索相关信息，来辅助大语言模型（Large Language Model, LLM）生成更为准确、上下文相关的答案。1什么是RAG 检索增强生成（Retrieval Augmented Generation, …- 4
- 0
-
RAG，看这一篇就够了！
点击蓝字关注我们近年来，人工智能取得了巨大的飞跃，这主要归功于大型语言模型（LLMs）。LLMs非常擅长理解和生成类似人类的文本，它们促成了多种新工具的创建，比如先进的聊天机器人和AI作家。尽管LLMs在生成流畅且类似人类的文本方面表现出色，但它们有时在事实准确性上存在困难。当准确性非常重要时，这可能是一个巨大的问题。那么，这个问题的解决方案是什么呢？答案是检索增强型生成（RAG）系统。RAG集成…- 4
- 0
-
CoW帮我成为时间管理大师后，被封号了
我的微信机器人挂了，用chatgpt-on-wechat项目，这个项目使用的itchat接入微信，这个项目果然很容易被查啊。 1、又双叒叕忘了事情经常被客户支配的打工人一定有过同样的感受： ↑生成的界面图，非真实发生，但是也差不多。到达约定时间的时候才想起来有这么回事，免不了要道歉+赶工。 为了拯救自己被工作掏空的身体， 以前用的记录日程工具，得在记录的时候打开APP、填写内容、选择时间，做一堆操…- 8
- 0
-
IBM推出文档处理利器Docling，基于LangChain打造RAG应用
Docling 携手 LangChain 打造高效 RAG 系统。人工智能应用持续发展，对文档信息的有效处理、理解与检索提出了更高要求。大语言模型虽已在诸多领域发挥重要作用，但在文档处理方面仍有提升空间。本文详细阐述如何整合Docling 和 LangChain，创建检索增强生成（RAG）系统，以突破局限，为大语言模型赋能，提升其处理文档信息的能力。1 Docling：IBM打造的文档处理神器Do…- 6
- 0
-
GraphRAG：基于知识图谱的RAG，好用，贼贵！
在往期文章中，我们探讨了RAG的应用。然而，在实际使用过程中，我们发现传统RAG的表现并未完全满足预期（例如：在处理数据时，使用默认效果不佳，切片乱七八糟。因此需要花费很大精力去处理数据，比如编写文档时统一规范、使用一些工具/脚本对数据源进行预处理和清洗，这些比起AI本身的价值更大）。为解决传统RAG的局限性，一种基于图结构的RAG应用应运而生，它被称为GraphRAG。本篇文章，我们就来探索Gr…- 4
- 0
-
RAG成为过去式？缓存增强生成（CAG）is All You Need？
RAG 的核心思想是在生成内容的过程中，从外部知识库检索相关信息，并将其作为输入提供给 LLM。然而，随着应用场景的复杂化，RAG 的弊端也逐渐显现：实时检索带来的延迟、文档选择的潜在错误、以及系统架构的复杂性都制约了其效率和准确性。近日，有一篇名为《Don’t Do RAG: When Cache-Augmented Generation is All You Need for Knowledg…- 7
- 0
-
GraphRAG × AutoGen × Ollama × Chainlit = 本地免费多代理 RAG 超级 AI 助手
作为一名对前沿技术充满热情的研究者，我深刻感受到检索增强生成（Retrieval-Augmented Generation, RAG）对大型语言模型（LLMs）的变革性影响。RAG 是一种强大且极具潜力的工具，它通过将模型与矢量数据库集成，使LLMs能够实时获取和利用现实世界的数据，从而生成更明智、更精准的响应。这种能力为大型语言模型的实际应用打开了新大门，尤其是在需要实时学习和快速适应的场景中。…- 6
- 0
-
装上记忆，Agent牛了！
理想中的Agent，它们能够像人类一样思考和推理，执行复杂任务，甚至展现出一定的创造力。对于这些操作而言，“记忆”是Agent很重要的一个模块。就像人类依靠记忆来学习、成长和与世界互动一样，AI Agent 也需要强大的记忆能力来提升自身性能。试想一下，如果一个 Agent 每次都忘记之前的对话和学到的知识，那它将永远无法真正理解用户的需求，也无法高效地完成任务。这就是 Memary&n…- 8
- 0
-
检索增强生成 和思维链 结合: 如何创建检索增强思维链 (RAT)？
论文地址：https://arxiv.org/pdf/2403.05313Github地址：https://github.com/CraftJarvis/RAT想象一下，一个人工智能助手可以像莎士比亚一样写作，像专家一样推理。这听起来很了不起，对吧？但是，如果这个助手有时难以确保事实准确性，依赖过时的信息或只是编造事实，该怎么办？检索增强思维 (RAT)是一种创新性的方法，它结合了两种关键技术：检…- 4
- 0
-
我如何利用 ChromaDB 和 Chainlit 构建基于 Graph-RAG 系统的 LLM 应用程序
一个端到端的应用，带有 GUI，并且仅用 3 个脚本将新知识存储在向量数据库中大型语言模型（LLMs）和知识图谱是处理自然语言的宝贵工具。检索增强生成（RAG）作为一种强大的方法，能够通过上下文知识增强 LLM 的响应。上下文知识通常嵌入并存储在向量数据库中，用于创建上下文以增强提示。然而，这种方式下，知识被映射在一个概念空间中，但并没有真正组织起来。知识图谱捕捉了领域内数据点或实体的信息以及它们…- 6
- 0
-
吴恩达DeepLearning.AI课程系列 —— 大模型检索增强生成（一）
LangChain: Chat with Your Data在前面的课程介绍里，我向大家讲解了大语言模型里的三大概念——预训练、微调以及提示词工程。相信大家看完后应该对大语言模型已经有了初步的了解。那这节课我们学习另一个在大语言模型大火后非常重要的概念——RAG（Retrieval-Augmented Generation）检索增强生产。RAG是一种结合信息检索与生成模型的架构。它通过先从数据库或…- 6
- 0
-
吴恩达DeepLearning.AI课程系列 —— 大模型检索增强生成（二）：文档划分技术简介
引言在上一节课中，我为大家介绍了 LangChain 的基本知识以及文件导入部分的内容。当文档导入后，我们需要对文档的内容进行处理。大家应该都知道，对于检索增强生成（RAG）系统而言，最关键的是在系统中找到最合适的内容并输出。然而，由于大型语言模型的上下文容量有限，通常不可能将一个文档中的所有内容都输入进去。即便现在有些技术声称可以处理无限长度的内容，但从经济角度来看，更长的上下文意味着更高的计算…- 7
- 0
-
吴恩达DeepLearning.AI课程系列 —— 大模型检索增强生成（三）：向量数据库及嵌入
引言在前面的课程中，我们讲述了如何将文档进行导入以及将文档根据需要切分成不同的块。正常情况下，我们传统的数据库其实完全没有必要去将其切分成很多块，因为无论你怎么去切分都会导致一定的信息丢失。而之所以我们需要将导入的内容进行切分，其实最主要的原因就是向量数据库的特性。首先，文档切分可以提高查询的准确性。通过将大块内容拆分成更小的内容块（chunks），这些块可以更精细地表达文档中的具体信息。对于向量…- 5
- 0
-
吴恩达DeepLearning.AI课程系列 – 大模型检索增强生成（四）：检索优化进阶
在上一节课中，我们探讨了几种信息检索方法，包括 Similarity Search（相似度搜索） 和 Maximum Marginal Relevance (MMR)，还介绍了如何利用 元数据（Metadata） 提高检索精度。这些方法帮助我们理解如何在向量数据库中进行高效的检索，既保证结果的相关性，又兼顾多样性。这节课我们继续深入信息检索的世界，介绍三种更高级的工具：自查询检索器（SelfQue…- 4
- 0
-
吴恩达DeepLearning.AI课程系列 – 大模型检索增强生成（五）：问题回复
1. 前言在前两节课中，我们介绍了多种大模型的检索方法，包括基础的相似度搜索以及更高级的大语言模型辅助检索等技术。这些检索方法的核心目标，是从向量数据库中提取与问题最相关、最有价值的信息。在掌握了这些方法之后，接下来我们将重点探讨如何将提取到的有用信息有效地传递给大模型，并使其能够基于检索到的信息生成更精准的回答。那相信大家都会好奇这到底是如何实现的，那就让带大家来看看吧！2. 检索式问答链(Re…- 4
- 0
-
吴恩达DeepLearning.AI课程系列 – 大模型检索增强生成（六）：问题回复
1. 前言在前两节课中，我们介绍了多种大模型的检索方法，包括基础的相似度搜索以及更高级的大语言模型辅助检索等技术。这些检索方法的核心目标，是从向量数据库中提取与问题最相关、最有价值的信息。在掌握了这些方法之后，接下来我们将重点探讨如何将提取到的有用信息有效地传递给大模型，并使其能够基于检索到的信息生成更精准的回答。那相信大家都会好奇这到底是如何实现的，那就让带大家来看看吧！2. 检索式问答链(Re…- 6
- 0
-
构建行业RAG应用系统：最佳产品系统架构是这样的
在企业构建RAG应用系统时，需要满足不同用户群体的需求。这些用户群体包括企业管理人员、企业内部用户以及大众用户。首先，整理清楚各类用户的需求，有助于明确他们的交互操作需求，并基于此确定所需的交互界面数量。接着，可以根据需求决定是否实现Web端、手机端或其他设备端（如PAD等）的支持。在确定了用户的操作端后，接下来便是考虑如何承载这些操作端的后台服务系统。我们可以选择采用单体系统，也可以根据不同领域…- 9
- 0
-
LightRAG实现原理分析-文档的解析和插入
概述本文介绍LightRAG文档插入的实现逻辑。通过本文的分析，可以对文档插入的实现过程有一个比较清晰的理解。可以根据本文的分析，进一步分析文档插入的细节。文档查询的基本使用下面的代码是使用LightRAG的最简单的流程。打开一个文本文件，插入到LightRAG中，然后对文档进行对话。WORKING_DIR = "./dickens"if not&…- 13
- 0
-
面向教育场景的大模型 RAG 检索增强解决方案
在现代信息检索领域，检索增强生成（Retrieval-Augmented Generation, RAG）模型结合了信息检索与生成式人工智能的优点，从而在特定场景下提供更为精准和相关的答案。在特定场景下，例如教育等领域，用户通常需要精确且相关的信息来支持决策。传统生成模型虽然在自然语言理解和生成方面表现良好，但在专业知识的准确性上可能有所不足。RAG 模型通过将检索与生成相结合，能有效提升回答的准…- 9
- 0
-
权威+AI，百度百科打出王炸
“未来我们得到的内容可能是AI生产的东西占主导，这些东西又成为新的语料喂给AI，然后AI又会加工AI生产的东西，不断反复。这就会出现‘递归效应’，出现尼采讲的‘永恒循环’。”中国人民大学新闻学院教授刘海龙在采访中指出，AI带来的信息传播负面效应日益显现。这一现象并非难以察觉，越来越多的人已开始感受到AI对信息传播的颠覆性影响。随着AI信息循环的加剧，信息传播的失真也愈发严重。打破这一恶性循环，一个…- 5
- 0
-
从企业级 RAG 到 AI Assistant，阿里云 Elasticsearch AI 搜索技术实践
01AI 搜索落地的挑战在过去一年中，基座大模型技术的快速迭代推动了 AI 搜索的演进，主要体现在以下几个方面：搜索技术链路重构基于大模型的全面重构正在重塑 AI 搜索的技术链路。从数据采集、文档解析、向量检索到查询分析、意图识别、排序模型和知识图谱等各个环节，都在经历深刻变革。新的交互方式如对话式搜索、答案总结、智能客服、企业数字员工和虚拟人逐渐成为主流，不仅提升了用户体验，也为更多…- 4
- 0
-
优化检索增强生成（RAG）管道：实现更智能AI回应的高级技术
RAG系统（面向企业RAG（Retrieval Augmented Generation）系统的多维检索框架）通过从大规模知识库中检索相关信息，并基于这些信息进行生成，为用户提供个性化的答案。这种结合信息检索和生成的方法，使得RAG系统在处理复杂问题和生成详细回答方面具有显著优势。然而，要充分发挥RAG系统的潜力，必须对其管道进行优化，以提高效率、准确性和回应质量。一、检索前优化（一）数据索引改进…- 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：×