-
LightRAG：提升检索增强生成的效率与准确性
.01概述在快速发展的人工智能领域，如何让语言模型更高效、更准确地生成上下文相关的答案，一直是研究者们的热门课题。最近，来自香港大学和北京邮电大学的研究团队推出了LightRAG，一种轻量级、高效的检索增强生成（RAG）方法，标志着这一领域的新进展。与以往的RAG模型相比，LightRAG在生成速度和上下文相关性方面表现更佳，为开发者提供了更强大的工具。.02什么是RAG？检索增强生成（Retri…- 11
- 0
-
深度解析比微软的GraphRAG简洁很多的LightRAG，一看就懂
目录1、背景2、传统RAG与GraphRAG区别3、LightRAG整体流程4、分析LightRAG的4种查询方式背景最近RAG领域出了比较火的Graph RAG，相继微软也开源了他们的Graph RAG方案，香港大学也输出了比微软Graph RAG更简洁的方案LightRAG；LightRAG整体效能都很优秀，老顾今天就来分析一下LightRAG的实现原理，以及源码分析传统RAG与GraphRA…- 2
- 0
-
LightRAG：GraphRAG 的可替代方案
检索增强生成 (RAG) 方法已迅速成为构建将大型语言模型 ( LLMs ) 与外部数据的优势相结合的智能系统的重要工具。该领域的最新突破之一是LightRAG——一种先进、经济高效的 RAG 框架，利用知识图和基于向量的检索来改进文档交互。在本文中，我们将深入探讨 LightRAG、它与 GraphRAG 等方法的比较，以及如何在您的计算机上设置它。什么是 Ligh…- 13
- 0
-
AI在路上：Agentic Workflow框架技术理解
大模型进入到2024年Q4，接触到的企业客户都关心的话题就是如何应用起大模型创新技术。从ChatGPT发布以来，我们已经理解这种新的交互方式：通过对话的方式可以快速获取一些有用的内容。从企业应用的角度，这个内容的获取是至关重要的，必须保证正确并且富有前瞻性指导，但是通过调用大模型返回的结果往往不太稳定，出现幻觉是家常便饭。为了解决幻觉问题，研究人员发现通过RAG (Retrieval-Augmen…- 2
- 0
-
Chonkie：一个极速且轻量级文本分块的革命者，解锁 RAG 分块多种策略
简介 Chonkie是一个用于RAG（检索增强生成）任务的轻量级、快速的文本分块库。Chonkie 特点功能丰富：提供多种分块器，满足不同的RAG应用需求。易于使用：只需安装、导入即可使用。速度快：分块速度快，性能优越。支持广泛：支持多种分块器，包括TokenChunker、WordChunker、SentenceChunker、SemanticChunker和SDPMChunker。轻量级：核心…- 16
- 0
-
RAG新思路之引入知识图谱规则及文档解析技术路线总结
今天是2024年11月2日，星期六，北京，天气晴，2024年11月份的第二天。本文主要介绍3个工作，一个文档智能进展，关于文档解析技术、数据的总结，一个是RULERAG之引入规则知识进行RAG，后者我理解是大模型与知识图谱结合用于RAG的另一个思路。后者是知识图谱与RAG的另一个结合思路，供大家一起参考并思考。一、关于文档解析技术、数据的总结关于文档智能相关的进展，大家可以看看最近的一个综述，《D…- 9
- 0
-
RAGCache:多级动态缓存大幅降低RAG延迟、提升吞吐能力
RAG 技术通过结合外部知识库,有效提升了大语言模型(LLM)的性能。然而,RAG 系统在处理长序列生成时面临严重的延迟和效率挑战。最近,北京大学联合字节跳动的研究人员提出了一项名为 RAGCache[1] 的创新研究为这一难题提供了巧妙的解决方案。关键发现现有的优化方案主要聚焦于LLM推理加速本身，未能充分考虑RAG系统的特点，研究团队通过分析，揭示了三个重要发现：性能瓶颈：RAG系统的主要瓶颈…- 5
- 0
-
【论文日报】LLM合集：百川发布HtmlRAG，利用HTML结构增强RAG系统的知识获取与处理能力
1. HtmlRAG: HTML is Better Than Plain Text for Modeling Retrieved Knowledge in RAG Systems检索增强生成（RAG）已被证明能够提高知识能力，并缓解大语言模型（LLM）的幻觉问题。网络是RAG系统中主要的外部知识来源之一，许多商业系统，如ChatGPT和Perplexity，使用网络搜索引擎作为其主要的检索系统。…- 4
- 0
-
【RAG基础知识】RAG 系统开发中的 12 大痛点及解决方案 [译]
研究在开发检索增强生成（RAG）系统时遇到的 12 个主要难题（包括原论文中的 7 个和额外发现的 5 个），并提出了针对每个难题的解决策略。以下图表改编自原始论文《开发检索增强生成系统时的七个常见挑战》中的图表，详见下方链接。通过将这 12 个挑战及其建议的解决方法并列在一张表中，现在可以更直观地理解这些问题及其对策：* 论文《开发检索增强生成系统时的七个常见挑战》中提到的问题标有星号。图源自 …- 3
- 0
-
GraphRAG，LazyGraphRAG与RAG
近年来，随着大型语言模型（LLM）的快速发展，检索增强生成（RAG，Retrieval-Augmented Generation）方法在自然语言处理领域备受关注。其中，微软提出的 GraphRAG（Graph-based Retrieval-Augmented Generation）将知识图谱技术与 RAG 有机结合，利用非结构化文本数据构建知识图谱，并结合图和向量索引技术，提高了对复杂用户查询的…- 6
- 0
-
树形解码完美！约束LLM输出json格式
前言 LLM已经向我们展示了其强大的生成能力，但是当我们想提从生成的文本中提取结构化数据，确实遇到了非常大的挑战。特别是在提取json格式时， 不仅要求模型输出符合特定的语法规则，还需要确保数据能被正确的提取出来。下面将给大家介绍 lm-format-enforcer 这个款Json格式提取工具lm-format-enforcer 的能力 比JSONFormer Outlines支持更多的能力。目…- 16
- 0
-
现有RAG框架非完全总结：7个GraphRAG+17个传统RAG框架归纳
今天是2024年11月18日，星期一，北京，天气晴。我们先来回顾相关进展。关于产业进展，代码辅助工具，PearAI ，https://trypear.ai/，提供了代码自动生成、智能代码预测、代码编辑聊天、代码记忆提升、智能代码搜索等功能，还内置了Perplexity、Memo等其他AI工具，这其实加剧了如cursor等同质产品的竞争。此外，关于AI搜索进展，腾讯推出AI搜索ima，不知道跟元宝是…- 6
- 0
-
写给小白的大模型应用科普：RAG篇
前面小枣君给大家普及了大模型的基础（错过的请翻看：写给小白的大模型入门科普），但是缺乏应用的大模型是没有价值的。当然你可能使用过Kimi Chat、豆包这样的大模型工具，它们可能已经在生活中充当了我们的创作助手、咨询专家、甚至情感陪护等，但这样的应用还远远不能发挥出大模型的真正价值，我们期望大模型在更专业的生产领域发挥作用，提升生产力，引领真正的科技变革。当前大模型被普遍看好的两个专业应用方向是R…- 1
- 0
-
RAG与本地知识库，向量数据库，以及知识图谱的联系与区别
“ RAG的本质是高效检索，而知识库，向量数据库和知识图谱只是组织数据的一种形式”这两天在之前的一篇关于RAG检索增强的文章中有一个评论，问RAG和知识图谱的区别；这时才发现，原来很多人对RAG技术还没有一个本质的认识，以及与其相关的本地知识库，向量数据库等。所以，今天就来介绍一下上面的这些概念，以及其联系与区别。RAG——检索增强生成前面写过好几篇关于RAG的文章，但可能到现在很多人还…- 5
- 0
-
KAG 技术与实践分享｜基于 KAG 框架自主完成领域图谱构建和知识问答
简介检索增强生成（RAG）技术推动了领域应用与大模型结合。然而，RAG 存在着向量相似度与知识推理相关性差距大、对知识逻辑（如数值、时间关系、专家规则等）不敏感等问题，这些都阻碍了专业知识服务的落地。10 月 24 日，OpenSPG 发布 V0.5 版本，正式发布了知识增强生成（KAG）的专业领域知识服务框架。KAG 旨在充分利用知识图谱和向量检索的优势，并通过四个方面双向增强大型语言模型和知识…- 10
- 0
-
多样化查询改写让 RAG 不再“迷路”
今天分享的是一篇由人大、快手发布的文章：DMQR-RAG: 基于多样化查询重写的检索增强生成论文链接：https://openreview.net/pdf?id=lz936bYmb301 论文概述当前大型语言模型（LLMs）在静态知识更新和产生幻觉（hallucinations）方面的挑战，特别是在实时场景中提供最新信息的难题。为了解决这个问题，该论文提出了一个名为DMQR-RAG（Di…- 8
- 0
-
写给小白的大模型应用科普：RAG篇
前面给大家普及了大模型的基础（错过的请翻看：写给小白的大模型入门科普），但是缺乏应用的大模型是没有价值的。当然你可能使用过Kimi Chat、豆包这样的大模型工具，它们可能已经在生活中充当了我们的创作助手、咨询专家、甚至情感陪护等，但这样的应用还远远不能发挥出大模型的真正价值，我们期望大模型在更专业的生产领域发挥作用，提升生产力，引领真正的科技变革。当前大模型被普遍看好的两个专业应用方向是RAG（…- 7
- 0
-
微软GraphRAG框架演进之路及带来的一些思考
今天是2024年11月27日，星期三，北京，天气晴。我们今天继续来看GraphRAG的最新进展，可以可以回顾下Graphrag(ms版本)的路程：GraphRAG第一版本2024年4月份，主打global/local search；2024年11月初，搜索优化引入Drift_search动态搜索（https://microsoft.github.io/graphrag/query/drift_se…- 7
- 0
-
企业级RAG应用的5大技术发展趋势，你准备好了吗？
基于大模型的RAG（Retrival-Augmented Generation，检索增强生成）已经成为生成式AI落地最重要的应用形式之一。随着相关理论与实践的不断展开与完善，RAG应用在企业领域也逐渐从原型阶段走向了生产，并呈现出了一些显著的技术发展趋势。1可编排的模块化RAG工作流越来越多的人意识到，经典的基于向量检索的RAG在应对简单的事实查询、数据量较小、语义不够复杂的场景下表现良好，但是在…- 7
- 0
-
Agentic RAG: 构建自主决策型检索增强系统
一、前言在人工智能技术快速迭代的今天，检索增强生成(RAG)技术作为连接大语言模型与知识库的关键桥梁，已经成为构建知识密集型应用不可或缺的基础设施。然而，随着应用场景的日益复杂化和用户需求的不断提升，传统RAG技术所展现出的局限性也愈发明显。在这个背景下，一种革新性的技术范式 - Agentic RAG应运而生，它不仅打破了传统RAG的能力边界，更为未来AI应用的发展开辟了新的可能性。…- 5
- 0
-
三次阿里面试，都折在RAG优化上了…
offer捷报恭喜训练营的同学，成功斩获字节的 offer。RAG（Retrieval Augmented Generation）作为大模型最火热的应用之一，最初是为了解决 LLM 的各类问题的（如超长上下文）产生的，但后面大家发现在现阶段的很多企业痛点上，使用 RAG 是一个更好的解决方案。于是，RAG 被越来越多提到，相关的论文，vectorDB，开源框架，一时间百花齐放。但是我相信很多去实践…- 7
- 0
-
微软LazyGraphRAG来了，700倍成本压缩！
微软最新又改版了一波GraphRAG，这波把知识图谱丢了，只剩下无向图了。带来的优势是：LazyGraphRAG 数据索引成本与向量 RAG 相同，且为全图 RAG 成本的 0.1%。对于与向量 RAG 相当的查询成本，LazyGraphRAG 在局部查询中优于所有竞争方法，包括LongRAG 和 GraphRAG DRIFT 搜索以及 GraphRAG 局部搜索。相同的 LazyGraphRAG…- 5
- 0
-
再谈大模型检索增强生成——RAG
RAG检索增强生成——也是很多人理解的本地知识库，但RAG和本地知识库还是有很大区别的；但这不是今天讨论的重点，重点是为什么会有RAG技术，以及RAG技术解决了哪些问题？ 大模型存在的几个主要问题，知识的局限性 实时性和幻觉问题 以及隐私数据RAG并不能完全解决幻觉问题，但可以减少幻觉的发生in context learning 语境学习/上下文学习RAG与大模型想知道为什么会…- 8
- 0
-
RAG搭建中，如何选择最合适的向量索引？
LLM领域大热的两个概念：RAG和Agent，都需要用到向量数据库，比如RAG中需要把知识库向量化之后存在向量数据库中，Agent中也需要将memory存储在外部存储器中。Milvus支持多种向量索引算法，这些算法各自基于不同的原理，旨在优化存储效率和搜索效率，满足不同应用场景的需求。本文将深入探讨Milvus所支持的几种主要向量索引的原理，包括它们的工作机制、优势以及适用场景，以帮助读者更好地理…- 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：×