-
大模型检索增强(RAG)技术之——GraphRAG，知识库产品必不可少的技术
“ RAG技术的重难点，是怎么更高效和更准确的检索数据 ”知识库技术作为大模型技术的一个重要应用方向，也是对大模型技术的一个重要补充；特别是在问答系统，如智能客服等领域，知识库有着非同一般的作用。从技术的角度来说，一个智能客服的好坏，除了大模型本身的质量之外，更多的是由知识库决定的。因此，知识库的作用不言而喻，而怎么才能做出一个合格的知识库，需要使用哪些技术。…- 6
- 0
-
重磅开源Denser Retriever：轻松构建企业级RAG应用和聊天机器人（内附机器人构建指引）
重磅开源Denser Retriever：轻松构建企业级RAG应用和聊天机器人（内附机器人构建指引）一、什么是检索增强生成？检索增强生成RAG是人工智能中的一种先进技术，它通过将外部知识源整合到大型语言模型 (LLM) 的生成过程中来提高其能力。与仅基于预先训练的知识生成响应的传统 LLM 不同，RAG 从外部数据库或文档中检索相关信息，并使用这些信息生成更准确、更符合上下文的响应。这种方法可确保…- 6
- 0
-
基于RAG的to B智能体（Agent）应用实践
本文3095字，预计7分钟读完。 一、前言上篇文章《一文读懂RAG（检索增强生成）》中，笔者分享了有关RAG技术的看法。 RAG在to B领域一般应用在知识库问答，智能客服等场景，大概流程是：把知识内容进行分块，建立索引后存储于向量数据库中，通过相似度检索的方式，召回与提问匹配度较高的知识片段后输入给大模型，再让大模型基于提问进行针对性的回答。 RAG+大模型构建的机器人相比于传统机器人，有更强的…- 5
- 0
-
Agent工作流记忆 – 让AI助手更聪明地完成复杂任务
今天我要跟大家分享一篇很有意思的论文,题目是《Agent Workflow Memory》,也就是"Agent工作流记忆"。这篇论文提出了一种新方法,让AI助手(我们称之为Agent)能更好地完成复杂的网页任务。背景:AI助手的挑战首先,我们来聊聊这个研究的背景。现在的AI技术已经非常强大了,特别是像GPT这样的大语言模型(LLM),它们可以进行对话、回答问题,甚至可以帮我们完…- 7
- 0
-
RAG高级优化：检索策略探讨Fusion, HyDE安排上(含代码)
传统的检索方法通常依赖于对query进行语义理解(基于向量)或关键字匹配(BM25)，这两种方法都有其优点和缺点。融合检索、HyDE和RAG-Fusion可以创建一个更健壮和准确的检索系统。本文将介绍三种优化方法：Fusion retrieval：基于向量和基于bm25的检索HyDE(假设文档嵌入)：通过根据查询生成和嵌入假设文档来增强检索。RAG-Fus…- 7
- 0
-
类海马体的RAG检索策略
今天分享的是来自俄亥俄州立大学的一篇文章 HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models，受神经生物学启发的大语言模型的长期记忆策略。文章链接：https://arxiv.org/pdf/2405.14831代码链接：https://github.com/OSU-NLP-Group/Hi…- 7
- 0
-
深入解析LlamaIndex Workflows：构建复杂RAG与智能体工作流的新利器【上篇】
面对多样的LLM应用需求，不管是主流如LangChain这样的基础开发框架，还是以云服务提供的低代码开发平台，都试图在提供基础组件抽象的基础上，提供更便捷的组装与编排这些组件的方式，以帮助构建更高级的AI工作流应用。比如年初发布的LangChain新版本中就引入了LangGraph，以帮助构建Graph表示的AI工作流。（彻底搞懂LangGraph：构建强大的Multi-Agent多智能体应用的L…- 5
- 0
-
『深度长文』Anthropic推出全新“上下文检索”：大幅增加RAG检索准确性！
在很多特定使用场景中，AI模型如果想真正发挥作用，通常需要具备相应的背景知识。举个例子，提供客户支持的聊天机器人需要了解它所服务的具体业务，而法律分析类的AI机器人则必须熟悉大量的历史案件。为了提升AI模型的背景知识，开发者们通常采用一种叫做检索增强生成（RAG）的方法。简单来说，RAG会从知识库中检索相关信息，并将其附加到用户的输入提示中，从而大幅增强模型的回答能力。然而，传统的RAG方案在编码…- 8
- 0
-
RAG 噪声在大型语言模型中作用的综合分析
先前对大型语言模型（ LLMs ）中的检索增强生成（RAG）的研究集中于增强检索模型以改进生成任务的文档选择。最初的研究确立了将外部信息集成到LLMs中的好处，但最近对噪声环境的扩展通常集中在有限范围的噪声类型上，通常假设噪声会对模型性能产生负面影响。这些研究缺乏全面的分类系统，限制了其研究结果的实际适用性。 &nb…- 8
- 0
-
人工智能中的RAG、Agent与Agentic RAG
人工智能技术的迅猛发展正催生着各行业的变革与创新浪潮。在此背景下，检索增强生成（RAG）、人工智能代理（Agent），以及两者结合形成的新理念Agentic RAG成为了关注的热点。本文将详细探讨这三项技术的概念、原理、架构、应用场景、优势与挑战，以及未来的发展趋势。检索增强生成（RAG） RAG是一种融…- 8
- 0
-
RAG实战 | 基于LlamaIndex的文档问答系统
依赖安装pip3 install llama-index EbookLib html2text llama-index-embeddings-huggingface llama-index-llms-ollama -i https://mirrors.cloud.tencent.com/pypi/simpl…- 5
- 0
-
提升RAG系统的回答质量：PDF解析代码详解-PdfParser核心流程
在上一篇文章中，我们探讨了如何通过计算机视觉大模型提升RAG系统解析PDF文档的能力，并展示了该技术在行业文档识别中的实际应用效果。文章发布后，受到了广泛关注。读者主要关心两个问题：其一，如何在PDF文档识别过程中编排模型，并且识别出的数据具体是什么样的；其二，行业模型如何进行微调以适应特定需求。在这篇文章中，我们将讲解如何构建一个功能强大的PDF解析器，逐步拆解解析流程，并对关键方法的核心技术进…- 9
- 0
-
一文通俗讲透 RAG 背后的逻辑，让 AI 回答更精准！
你是否曾对 AI 给出的答案产生过怀疑？RAG 可能就是解决这个问题的关键。RAG ，对于技术人员肯定已经不陌生，但是对于普通人来说可能还是个模糊的词汇。关于 RAG，在我们使用 AI 的过程中随处可见。不管我们在 Kimi、ChatGPT、Claude 提供文件或网页来提问，还是使用 Coze、Dify 这类平台构建 AI 客服、法律助手、或者其他利用知识库的智能体，本质上都涉及到 RAG 技术…- 7
- 0
-
RAG检索失败率降低49%？Anthropic-Contextual-RAG方案解析-兼看老刘的课堂三部曲
今天是2024年9月21日，星期六，北京，天气晴。我们里看两件事，一个是关于Anthropic发布的RAG检索方案Contextual Retrieval embeddings + contextual BM25，PR稿件传言检索失败率降低49%，我们看下它到底怎么回事儿，并看下实际落地可能性。另一个事是关于老刘课堂的一个总结。最近琢磨了件事儿，就是如何以一种更有效的方式来进一步挖掘现有社区已有积…- 7
- 0
-
全球首发：第二代 RAG 系统 auto-coder.rag 相比市面主流RAG系统 20%-60% 效果提升
先看评测结果基本效果上全面碾压当前市面上某主流的一代 RAG 系统。我们在文末会放出评测数据集以及问题，使用流程。欢迎大家和其他 RAG 系统做对比，并且发出自己的评测结果。在 9月13号，我们又新增了五道更加困难的题目，更加拉开了差距：下面是一些评测要求和指导：用户好评有用户第一时间应用于编程的文档库召回，反馈效果：也有人第一时间用来给黑神话悟空做攻略：还有人来做 Linux 内核分析：效果很好…- 8
- 0
-
SFR-RAG：高效精简的检索增强生成模型
Salesforce AI Research 推出了一款名为 SFR-RAG 的90亿参数模型，该模型针对上下文 grounded 生成进行了微调，并在需要检索增强答案的特定任务中，以更小的规模和更高的效率，在准确性和可靠性方面超越了更大的模型，为检索增强生成领域带来了重大的进步。 论文介绍 随着大型语言模型 (LLM) 的兴起，生成式 AI 已成为一个关键领域。这些模型能够根据各种提示生成复杂的…- 10
- 0
-
如何使用 Typescript 和 Next.js 构建完整的 RAG 应用程序
我今天构建的项目将 PDF 作为输入，然后您可以与您的 PDF 聊天。今天我使用 Next.js 和 Typescript 构建了一个完整的 RAG 应用程序。以下是该项目的完整技术栈和代码信息。介绍在进一步讨论之前，让我们先讨论一下什么是 RAG 应用程序。RAG 代表检索增强生成。那么 RAG 应用程序到底是做什么的呢？它会接收一个输入，查找该输入在向量数据库中的相似性，最后将向量结果结合起来…- 12
- 0
-
Claude3.5新的RAG方法：上下文检索
为了让人工智能模型在特定环境中发挥作用，它通常需要获取背景知识。例如，客户支持聊天机器人需要了解它们所用于的特定业务，而法律分析机器人需要了解大量过去的案例。开发人员通常使用检索增强生成 (RAG) 来增强 AI 模型的知识。RAG 是一种从知识库中检索相关信息并将其附加到用户提示中的方法，从而显着增强模型的响应。问题在于，传统的 RAG 解决方案在编码信息时会删除上下文，这通常会导致系统无法从知…- 6
- 0
-
【AI+知识库】商业化问答场景，让AI回复更准确，一篇专为所有“小白”讲透RAG的实例教程（下篇）
回顾上篇已经详细介绍了AI使用知识库进行时到底发生了什么如果没有看过，移步：【AI+知识库】商业化问答场景，让AI回复更准确，一篇专为所有“小白”讲透RAG的实例教程（上篇）现在再来看这四个阶段，①、问题解析阶段②、知识库检索阶段③、信息整合阶段④、大模型生成回答那么想要一个更加符合预期的生成结果，本质上是对这四个阶段的一步步优化。一、数据预处理1、数据预处理和我们进行关键词检索类似（但是这里是向…- 7
- 0
-
【AI+知识库】商业化问答场景，让AI回复更准确，一篇专为所有“小白”讲透RAG的实例教程（上篇）
一、对话示例如果我直接讲理论部分，我相信小白强迫自己看了前200字就会关掉窗口。因此，我们先将这个过程具象化。以下是一个问答机器人的界面。这是一个示例，你可以把右侧的对话当做是微信的对话框，这些对话交互是可以在任何一个受支持的窗口下实现的。上方页面左侧画红框的地方，是这个“问答机器人”的配置，右侧是与“机器人”的一轮对话。左侧有三处配置：AI模型提示词知识库。模型、提示词、知识库 三者可以想象成：…- 7
- 0
-
【GoMate框架案例】讯飞大模型RAG智能问答挑战赛top10 Baseline
unsetunset一、赛题背景unsetunsetRAG（检索增强生成）是一种结合了检索模型和生成模型的技术，它通过检索大量外部知识来辅助文本生成，从而提高大型语言模型（LLMs）的准确度和可靠性。RAG特别适合于需要不断更新知识的知识密集型场景或特定领域应用，它通过引入外部信息源，有效缓解了大语言模型在领域知识缺乏、信息准确性问题以及生成虚假内容等方面的挑战。本次挑战赛旨在探索RAG技术的极限…- 8
- 0
-
融合ChatGPT o1与TRIZ以解决复杂技术问题
我们将深入探讨了如何融合ChatGPT o1与各种创新方法（如TRIZ）来解决复杂的技术问题，以及ChatGPT o1如何根据问题的情景描述自动调用适当的创新方法和流程。以下从专业角度对上述内容进行详细总结。一、ChatGPT o1与TRIZ的融合解题流程与机制：问题理解与分析： ChatGPT o1利用其强大的自然语言理解能力，准确解析用户提供的技术难题，理解问题的背景、需求和挑战。技术矛盾识别…- 6
- 0
-
快手B端商业化技术探索：基于LLM构建智能RAG与Agent平台
大模型技术正以前所未有的速度与各领域融合，为各行各业带来变革，围绕快手B端商业化的业务场景，本文详细阐述了构建基于LLM的Agent技术平台的策略、挑战及解决方案，为您带来宝贵的见解与启示。一、大模型应用建设背景快手商业化业务中台，作为核心支撑，全面赋能内部的一线销售、运营团队，以及外部的代理商和服务商。面对大模型技术的浪潮，我们精准捕捉智能化转型的先机。面对众多可选择的技术路径，经过我们进行了深…- 5
- 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：×