-
LightRAG开源了！轻巧、强大，GraphRAG的进化版
我们以前介绍了HybridRAG、GraphRAG这些，今天我们将介绍一个崭新的RAG项目：LightRAG。现有的RAG系统老是搞不清复杂关系，答案经常被切碎，缺乏上下文，难以真正理解问题。而LightRAG就是来解决这些问题的，它把图结构引入文本索引和检索，采用双层检索系统，从低到高全面覆盖信息。更酷的是，它还能快速更新数据，保持实时高效的响应，而且它已经开源了哦！并且你现在可以通过简单的AP…- 5
- 0
-
Milvus×Dify半小时轻松构建RAG系统
最近，检索增强生成（RAG）技术在AI界引起了广泛关注。作为一种将知识库与生成模型结合的新型架构，RAG大大提升了AI应用的实际表现。而在构建RAG系统时，Milvus作为业界领先的开源向量数据库，扮演着关键角色。本文将通过在Dify平台上使用Milvus，带领大家构建一个高效的RAG系统，探索向量数据库的实际应用场景。01.Milvus基本原理介绍1.1 为什么要用向量数据库？在AI应用场景下，…- 7
- 0
-
Anthropic提出Contextual Retrieval让RAG再进化，大幅降低检索失败率
在知识库问答等场景中，RAG已经成为当下最流行的LLM应用范式，为LLM提供又全又准的上下文信息是众多RAG技术努力的方向。在传统的 RAG 解决方案中，编码信息时往往会丢失上下文，这导致系统无法从知识库中检索到相关信息，如何能够更好地保留上下文信息成为了问题关键。Anthropic 研究团队提出了“Contextual Retrieval（上下文检索）”的创新方法在此领域取得了显著进展。近日，他…- 5
- 0
-
G-RAG重排: 基于图神经网络的多文档重排方法来提升RAG性能
文章提出了一种名为G-RAG的方法，通过结合文档图和抽象意义表示（AMR）图来优化检索增强生成（RAG）系统中大型语言模型的回答质量，特别是在处理信息不全或上下文关联度较低的文档时。该方法旨在改善现有重排序技术对文档间连接利用不足的问题，从而减少过拟合并降低计算资源消耗，从而提高RAG系统的性能。研究主要方法 1.文档图的构建对每个问题-文档对，将问题和文档文本拼接后使用 AMR BART 解析生…- 8
- 0
-
RAG实战篇：Self-RAG，通过自我反思大幅提升内容生成质量
前言在《RAG实战篇：构建一个最小可行性的Rag系统》中，风叔详细介绍了Rag系统的实现框架，以及如何搭建一个最基本的Naive Rag。在前面五篇文章中，风叔分别介绍了索引（Indexing）、查询转换（Query Translation）、路由（Routing）、查询构建（Query Construction）和检索召回环节的优化方案。但是在最后的生成（Generation）环节，可能会出现以…- 6
- 0
-
用 RFlow AI，搞学术研究的全部都稳啦！
前些日子，特工宇宙关注到了一款名为「ResearchFlow」的产品。它给我们带来了与传统 Chat 交互形态不同的 AI 搜索和学术研究的新体验，并且更加贴近人类对知识的深度探索和结构化思维方式～还在因找不到合适的文献而焦虑？还在因读不懂论文而发愁？还在因组会汇报 PPT 而发愁？随特工宇宙一起来看看这款 AI 学术研究新利器！ResearchFlow 的产品定位是结合白板和思维导图功能的 AI…- 11
- 0
-
再看长文本大模型遇见RAG：长输入的RAG方案挑战及其缓解实证分析
今天是2024年10月13日，星期日，北京，天气阴。关于RAG长文本进展，长文本LLMs与RAG相遇：解决长输入的RAG挑战，《Long-Context LLMs Meet RAG: Overcoming Challenges for Long Inputs in RAG》：https://arxiv.org/pdf/2410.05983值得一看，其探讨了在检索增强生成（Retrieval-aug…- 5
- 0
-
你设计的AI 工作流不够强大？5分钟，给自己的Agent 工作流加一个Claude插件外挂
工作流不够强大？你是不是也曾对Coze的大模型能力不满?觉得它不够强大,不够智能?别急着否定它。也许,问题不在Coze,而在你。COZE是一个AI工作流平台，可以我们是可以给我们的工作流创建更多的“外挂”插件，就像我们创业项目，需要吸引更强小伙伴加入团队。用插件节点。插件让你接入符合自己需求的大模型。让Agent工作流不再受限。所以我们需要给创建的「COZE工作流」提供外挂插件。比如你用国内某模型…- 1
- 0
-
从Naive RAG到Agentic RAG：基于Milvus构建Agentic RAG
检索增强生成（Retrieval-Augmented Generation, RAG）作为应用大模型落地的方案之一，通过让 LLM 获取上下文最新数据来解决 LLM 的局限性。典型的应用案例是基于公司特定的文档和知识库开发的聊天机器人，为公司内部人员快速检索内部文档提供便利。另外，也适用于特定领域的GenAI应用，如医疗保健、金融和法律服务。尽管Naive RAG在处理简单问题时表现良好，但在面对…- 7
- 0
-
RAG与长上下文LLM（Long-Context LLM）：一场AI领域的对决
当前AI领域快速发展，各种新概念层出不穷，其中Retrieval-Augmented Generation（简称RAG）和长上下文Large Language Models（LLMs，以下简称长上下文LLM）成为了当下热议的话题。开发者和研究人员在特定AI场景中，往往难以抉择是选择基于检索增强生成的系统架构（RAG（Retrieval Augmented Generation）及衍生框架：CRAG…- 1
- 0
-
检索生成(RAG) vs 长文本大模型：实际应用中如何选择？
大语言模型（Large Language Models ，LLMs）技术正飞速发展，尤其是模型在生成文本时能够处理的上下文信息量极速提升。尽管 LLMs 在文本的处理和生成等方面表现出色，但它们却面临一个固有的挑战：难以捕捉信息背景全貌，尤其是在应对冗长对话或涉及多重细节的复杂任务时。为了解决这一问题，研究人员引入了长上下文（Large context windows）和检索增强生成（Retrie…- 5
- 0
-
MemoRAG：重新定义长期记忆的AI问答模型
MemoRAG模型是如何实现长记忆的？©作者|Blaze来源|神州问学引言随着人工智能的发展，AI问答模型在各种应用场景中表现出色，尤其是在信息检索和知识问答领域。传统的RAG模型通过结合外部知识库的实时检索与生成模型，极大地提升了回答的准确性。然而，这类模型仍然面临一个重要挑战：无法有效处理长期信息，尤其是在需要持续记忆和动态更新知识的场景中表现不佳。在此背景下，MemoRAG应运而生。Memo…- 6
- 0
-
RAG前沿之CoV-RAG验证链增强及面向PDF文档的多模态RAG方案简析
今天是2024年10月11日，星期五，北京，天气晴。我们今天来看继续看RAG的两个工作，一个是一个面向PDF文档的RAG方案，可以理解为混合多模态检索，另一个是关于RAG与类COT的结合进展CoV-RAG。两个工作，都很工程化，算法成分不多，也很粗糙，但也看看。供大家参考并思考。一、一个面向PDF文档的多模态RAG方案看到一个工作，《PDF-WuKong: A Large Multimodal M…- 5
- 0
-
Anthropic研究团队提出新技术，引入Contextual Retrieval让RAG再进化，大幅降低检索失败率
在当前的知识检索领域，RAG技术正引领着最新潮流，它的目标是为大型语言模型（LLM）提供丰富而精确的上下文信息。然而，传统RAG方法在处理信息时经常会忽略上下文细节，这限制了其从知识库中提取相关信息的能力。解决如何有效保存上下文信息的问题，已成为该领域的重点。针对这一挑战，Anthropic的研究团队提出了一种名为“上下文检索”的创新技术，使得在这一领域取得了重大突破。他们最近发表的研究详细介绍了…- 5
- 0
-
RAG实战篇：检索召回结果不准确？试试这三种实用方法
前言在《RAG实战篇：构建一个最小可行性的Rag系统》中，风叔详细介绍了Rag系统的实现框架，以及如何搭建一个最基本的Naive Rag。在前面四篇文章中，风叔分别介绍了索引（Indexing）、查询转换（Query Translation）、路由（Routing）和查询构建（Query Construction）环节的优化方案。在这篇文章中，围绕检索召回（Retrieval），风叔详细介绍如何优…- 4
- 0
-
检索增强思考 RAT（RAG+COT）：提升 AI 推理能力的强大组合
在人工智能领域，大型语言模型（LLMs）已经取得了显著的进展，能够生成类似人类的文本并回答各种问题。然而，它们在推理过程中仍面临一些挑战，例如缺乏对事实的准确把握以及难以处理复杂的多步骤问题。为了解决这些问题，检索增强生成（RAG）和思维链（CoT）提示技术应运而生，而它们的结合（RAG + CoT，即检索增强思想 RAT）更是展现出了强大的优势。一、RAG：知识的注入器RAG，即检索增强生成，是…- 6
- 0
-
微软：RAG 任务分类法玩转LLM外部知识
问题RAG 任务分类法的核心是什么？RAG 任务分类法对解决工程问题带来什么帮助？RAG 任务分类法如何结合RAG工具提高任务效率？四个级别，明确LLMs任务复杂度RAG任务分类方法，根据所需的外部数据类型和任务的主要焦点，将用户查询分为四个层次：• Level-1 显性事实：此类查询涉及直接从数据中提取明确存在的事实，无需进行任何形式的额外推理。这构成了最基础的查询类型，其中模型的主要任务是精确…- 1
- 0
-
探索RAG、AI Agents和Agentic RAG的架构、应用程序和主要区别
人工智能催生了能够执行各种任务的强大模型。该领域最具影响力的两项进步是检索增强生成 (RAG) 和Agents，它们在改进AI驱动的应用程序中发挥着独特的作用。然而，新兴的Agentic RAG概念提出了一种利用两种系统优势的混合模型。Agentic RAG是什么？与RAG、Agents有什么区别？接下来，本文将全面分析这三种技术的概念与联系，探索它们的架构、应用程序和主要区别。1. 什么是检索增…- 5
- 0
-
打造自己的RAG解析大模型：(可商用)OCR全服务部署，文本+表格+版面！
在上一篇文章中，我们成功串联了文本检测、方向分类、文本识别模型，搭建了一个基础的OCR文本识别服务。然而，针对复杂的PDF文档，仅靠基础的OCR功能还远远不够。为了实现全面的PDF文档解析，尤其是对于表格和版面内容的识别，还需要串联更多的目标检测模型，如表格识别和版面分析模型。本篇文章将基于前两篇的内容，深入讲解如何将文本、表格、版面三个模型进行串联部署。通过对这些模型的串联，不仅可以处理文本，还…- 3
- 0
-
国庆期间5大RAG前沿进展总结：从表格RAG-TableRAG到引入图、树结构优化的RAG框架
今天是2024年10月10日，星期四，北京，天气晴。我们今天来聚焦国庆假期关于RAG的一些前沿进展，这个也是作为社区早报的内容，如下：文字版见社区，本文介绍5个工作，包括关于表格RAG-TableRAG、引入图结构和增量更新RAG框架lightRAG、RAG与知识图谱结合解决医疗问题、RAG用于自动驾驶领域、关于引入权重的RAG树组织GARLIC等。供大家一起参考并思考，一、关于表格RAG-Tab…- 3
- 0
-
一条命令能够将网页内容转换成适合任何大模型处理的格式，AI时代的检索增强，Star 6.6K！
“有可能基于LLMs+SearXNG的问答式搜索会是下一代搜索引擎的发展新趋势”后来我们也分享了一个《一个AI驱动的搜索引擎，内置SearXNG，也许是未来搜索新姿态，Star 10K！》的开源项目-Perplexica，一个基于LLMs的搜索引擎。Perplexica的核心原理主要就是利用搜索引擎SearXNG在网络上搜索信息，然后通过机器学习算法对结果进行重新排序，并将搜索结果作为提问词的一部…- 21
- 0
-
基于图的元数据过滤改进 RAG 应用中的矢量搜索
文本嵌入和矢量相似性搜索可以帮助我们理解文档的含义以及它们之间的相似程度，从而找到文档。但是，当根据日期或类别等特定条件对信息进行排序时，文本嵌入就不那么有效了；例如，如果你需要查找在某一年创建的所有文档，或者在 "科幻小说 "等特定类别下标记的文档。这就是元数据过滤或过滤矢量搜索发挥作用的地方，因为它可以有效地处理这些结构化过滤器，让用户根据特定属性缩小搜索结果的范围。在所提…- 4
- 0
-
RAG 系统评测实践详细版：Coze 及相关产品评测对比，以及下一代 RAG 技术
RAG 系统评测实践详细版：Coze 及相关产品评测对比，以及下一代 RAG 技术 RAG（检索增强生成）是一种 AI 框架，它将传统信息检索系统（例如数据库）的优势与生成式大语言模型 (LLM) 的功能结合在一起，通过将这些额外的知识与自己的语言技能相结合，AI 可以撰写更准确、更具时效性且更贴合您的具体需求的文字。 RAG 通过几个主要步骤来帮助增强生成式 AI 输出： 检索和预处理：RAG …- 4
- 0
-
MemoRAG：突破性记忆驱动的检索增强生成系统，重塑复杂任务处理
检索增强生成利用检索工具访问外部数据库，从而通过优化上下文来提升大型语言模型（LLMs）的生成质量。然而，现有的检索方法本质上受到限制，因为它们只能在明确提出的查询和结构化知识之间进行相关性匹配，无法处理涉及模糊信息需求或非结构化知识的任务，即：现有的 RAG 系统主要在简单的问答任务中有效。本文提出了一种新的检索增强生成范式MemoRAG，它由长期记忆驱动。MemoRAG 采用双系统架构。一方面…- 8
- 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：×