-
RAG高级优化：一文看尽query的转换之路
准确地找到与用户查询最相关的信息是RAG系统成功的关键，如何帮助检索系统提升召回的效果是RAG系统研究的热门方向，之前的文章介绍了在分块阶段的优化方法：RAG高级优化：基于问题生成的文档检索增强。本文将介绍三种query理解的方法，以增强检索增强生成(RAG)系统中的检索过程：查询重写：重新定义查询，使其更加具体和详细。Step-back提示：生成更广泛的查询，以获得更好的上下文检索。子查询分解：…- 3
- 0
-
Agent+RAG+大纲驱动，AI创作新风暴
今天给大家分享斯坦福大学最近的一项研究，探讨了如何利用LLMs从头开始撰写基础、结构良好的长篇文章，达到与维基百科页面相当的广度和深度。（后文有代码结果示例！）Assisting in Writing Wikipedia-like Articles From Scratch with Large Language Models我们研究如何应用大型语言模型从头开始编写扎根且有组织的长篇文章，其广度和…- 7
- 0
-
RAG+Agent人工智能平台：RAGflow实现GraphRA知识库问答，打造极致多模态问答与AI编排流体验
RAG+Agent人工智能平台：RAGflow实现GraphRA知识库问答，打造极致多模态问答与AI编排流体验1.RAGflow简介最近更新：2024-09-13 增加知识库问答搜索模式。2024-09-09 在 Agent 中加入医疗问诊模板。2024-08-22 支持用RAG技术实现从自然语言到SQL语句的转换。2024-08-02 支持 GraphRAG 启发于 graphrag 和思维导图…- 4
- 0
-
HippoRAG:模拟大脑记忆思索机制的 RAG
人类大脑通过不断积累和更新知识来适应环境，而大型语言模型（LLMs）虽具智能，却缺乏这种动态更新能力。为解决这一问题，研究人员开发了一种名为“HippoRAG”的新框架，模仿了大脑新皮质和海马体的工作机制，显著提升了多跳问题解答的性能，比现有 RAG 方法高出 20%。HippoRAG 不仅成本低、速度快，在单一检索步骤中还优于迭代 IRCoT 方法。这展示了如何将生物学原理应用于提高 LLMs …- 7
- 0
-
在长上下文LLM的时代，RAG是否仍然必要？
一、结论写在前面论文标题：In Defense of RAG in the Era of Long-Context Language Models论文链接：https://arxiv.org/pdf/2409.01666克服早期生成式大型语言模型（LLMs）的有限上下文限制，检索增强生成（RAG）在过去一直是基于上下文的答案生成的可靠解决方案。最近，长上下文LLMs的出现使得模型能够整合更长的文本…- 7
- 0
-
Golden-Retriever：提升工业知识库检索准确性
今天分享的是一篇面向工业知识库的RAG文章: Golden-Retriever: High-Fidelity Agentic Retrieval Augmented Generation for Industrial Knowledge Base，用于工业知识库的高保真代理式检索增强生成。论文链接: https://arxiv.org/pdf/2408.00798背景随着大规模语言模型（LLMs）…- 6
- 0
-
大模型RAG最佳实践指南
今天给大家分享一个比较干的研究论文，作者们来自复旦大学。大模型时代的RAG已经经过一年多的锤炼，各种高级RAG技巧层出不穷，那到底什么技巧是有用的，哪些技巧搭配到一起才是最有效的呢？Searching for Best Practices in Retrieval-Augmented Generation检索增强生成（RAG）技术已被证明可以有效地整合最新信息、减轻幻觉和提高响应质量，特别是在专业…- 5
- 0
-
360视角：大模型幻觉问题及其解决方案的深度探索与实践
导读 大模型幻觉问题在大模型应用过程中，非常阻碍实际业务落地。解决该问题是一项复杂的系统工程任务，需多角度综合探索。业界正通过持续的研究与实践，寻找更有效的检测与缓解策略，以提升大模型的可靠性、安全性与实用性。本文将从五个方面探讨大模型幻觉问题，具体探讨内容如下：1. 什么是大模型幻觉问题2. 360 可信大模型的幻觉解决方案3. 360 可信大模型应用案例…- 10
- 0
-
快速理解 GraphRAG：构建更可靠、更智能的 Chatbot
开发一个能够处理真实问题并给出精准回答的聊天机器人，实属不易。尽管大语言模型已取得重大进展，但如何将这些模型与知识库结合起来，提供可靠且上下文信息丰富的答案，仍是一个待解的难题。Photo by Google DeepMind[1] on Unsplash[2]关键问题通常在于模型的“幻觉”现象——即产生错误或不存在的信息，以及模型在理解信息间微妙关系时的上下文把握能力不足。尽管有一些人尝试构建强…- 8
- 0
-
大模型+RAG如何提高问答准确率？5家互联网大厂RAG落地实践
RAG（Retrieval-Augmented Generation，检索增强生成）是当前最流行的基于大模型的系统架构，很多大模型应用几乎完全基于RAG构建。RAG的本质是在大模型交互之前提前进行搜索，召回正确的上下文给到大模型，决定了大模型生成的天花板。RAG方法使用搜索引擎来快速定位和检索构建提示所需的任何信息，具体流程如下：· 使用大模型来重构原始的用户提示，使其与后续步骤中搜索引擎所要求的…- 7
- 0
-
RAG入门秘籍：构建检索增强生成应用程序的终极指南！
概述：RAG（检索增强生成）是一种结合信息检索和生成模型的技术，允许用户将自己的数据与大型语言模型（LLM）结合，生成更精确和上下文相关的输出。这篇文章将简要介绍RAG的基本概念，并提供一个简化的教程，帮助初学者从零开始构建RAG应用程序。一、学习RAG的挑战在快速变化的AI领域中，特别是关于RAG，存在大量噪音和复杂性。供应商往往将其过度复杂化，试图将他们的工具、生态系统和愿景注入其中。本教程旨…- 9
- 0
-
RAG：开启智能知识探索新纪元
“ RAG技术融合检索与生成功能，其检索功能可精准定位信息，提高获取效率与准确性；生成功能能依据检索结果结合特定需求生成新内容。本文阐述了RAG在新闻、医疗、教育、金融和企业知识库等领域的应用，介绍了RAG的代码实现，分析了RAG架构及面临的挑战，展望其多模态融合等发展趋势。”01—引言在大语言模型技术迅猛发展的2024年，RAG（Retrieval Augmented Generati…- 9
- 0
-
RAG深度优化：全面掌握多种ReRanker实现方法与技巧
无论你是刚刚接触RAG，还是已经在项目中有所应用，这篇文章都将帮助你系统了解ReRanker的原理、常见实现方式及其在实际场景中的优化应用。希望这次总结能为你带来新的启发，助力你的技术提升。重新排名是根据某些标准对项目列表重新排序的过程。在搜索上下文中，重新排名用于根据某些标准对搜索引擎返回的搜索结果进行重新排序。当搜索结果的初始排名不令人满意或者当用户提供了可用于改进搜索结果的排名的附加信息时，…- 6
- 0
-
Perplexity AI使用感受
Perplexity AI是一款基于大型语言模型的对话式搜索引擎，旨在通过智能技术提升信息检索的效率和用户体验。其已经成为AI界的新贵，正以惊人的速度崛起。这几天用了一下Perplexity AI。每次我提问的句子前边，都加上：“请在英文网页世界，搜索问题，然后中文回复我——我的问题是”获得的英文网页质量很高，但是总结回答我的问题，目前比较笼统，算是AI的通病吧。总体是值得使用的AI工具。www.…- 8
- 0
-
大模型应用框架解析：RAG、Agent、微调、提示词工程究竟是什么?
“ 在大模型的学习和使用过程中，我们经常听到RAG、Agent、微调、提示词工程等相关术语，那么究竟什么是RAG、Agent、微调、提示词工程？让我们一起探讨学习。”01—RAG（Retrieval-Augmented Generation）RAG（Retrieval-Augmented Generation）是一种基于检索增强的生成技术，其核心思想是在生成文本之前，从外部知识库中检索与…- 8
- 0
-
RAG预处理增强：让Fastgpt/Dify召回更多东西
目前的Fastgpt，Dify(或者其他同类产品)，目前知识库召回的本质上还是分片块的文本，召回的还是文本信息。不过，我们可以进行一些预处理，提升其召回精度的同时，使其也能同时召回图片与公式表格等内容。01原理以及实现我已经将下文提到的所有预处理方法加到pdfdeal包里啦(需要0.2.4或更高版本)，从PYPI上直接下载使用吧：pip install --upgrade&nb…- 5
- 0
-
数据隐私与RAG：如何在保护隐私的同时与数据库对话（Text2SQL）。
01。概述 在数字化时代，数据隐私成为了企业最关心的问题之一。尤其是在实现检索增强生成（RAG）解决方案时，如何在不暴露敏感数据的前提下与数据库进行对话，成为了一个技术挑战。本文将探讨一种新方法，即使用LangChain、OpenAI的语言模型和SQLAlchemy，在保护数据隐私的同时实现与数据库的智能对话。02。核心技术检索增强生成（RAG）：一种结合信息检索和文本生成的AI框架，通…- 6
- 0
-
【RAG】FastEmbed：一种轻量的快速文本嵌入工具
前言在进行文本嵌入时，尤其是RAG系统，有一个快速高效的文本嵌入工具是非常有必要的。因此，FastEmbed设计目标是提升计算效率，同时保持嵌入表示的质量。此外，FastEmbed还支持一些图像嵌入模型。特点：高效的计算速度，适合大规模数据处理；使用ONNX Runtime实现最优性能。低资源消耗，适用于多种设备和环境。FastEmbed刻意减少了对外部资源的依赖，并选择了ONNX Runtime…- 6
- 0
-
RAG优化神器：rerankers重新排名模型的终极方案，提供轻量级统一API
在基于检索的生成（Retrieval-Augmented Generation, RAG）系统中，Reranker 是用于提升检索文档质量的一个关键组件。首先，我们来分解一下 Reranker 的定义及其必要性。什么是 Reranker？Reranker 是对初步检索出的候选文档集进行重新排序的模型或算法。它在初始检索（通常基于简单的匹配算法，如 TF-IDF、BM25 或 Dense Embed…- 7
- 0
-
graphRAG后的triplex、itext2KG与nano-graphRAG对比介绍
引言 书接上回，自微软的graphRAG推出后，RAG便开始分为了两条道路，一条是以显式检索为基座，对其提高召回与长记忆模块来尽可能达到概括关联的能力，而另一条则是根据大模型提取KG元组的关系来提升QFS（Query-Focused Summarization）任务的能力，相对而言，前者依然是百花齐放，因为技术难度较低，有比较完整的道路，每个月都有十几篇我没看也不想看的RAG…- 7
- 0
-
HybridRAG｜传统RAG集成GraphRAG的初步方案
现有知识库属于传统意义上的RAG应用。近期领导和同事最常问的问题就是："GraphRAG调研怎么样了？"、"什么时候应该使用 GraphRAG ？"、"什么场景下应该使用传统RAG？"、"知识库使用的是传统RAG，如何与GraphRAG相结合呢？"。为了系统地解答这些问题，我做了…- 3
- 0
-
RAG只是开始，Agentic App是未来
RAG只是开始RAG技术通过检索相关信息并生成回答，为构建知识助手Application提供了基础。包括数据处理、索引、检索和提示。基础RAG的局限性：指出了基础RAG在数据处理、检索接口、查询理解和规划、功能调用或工具使用、状态记忆等方面的不足。如何建设更好的知识助手App在RAG的基础上，强调高质量数据和检索、复杂输入的Agent推理、Agent决策制定和输出生成高质量数据和检索强调任何LLM…- 4
- 0
-
MedGraphRAG 是医疗领域人工智能的彻底变革者
深入探讨 RAG、GraphRAG 和 MedGraphRAG 的工作原理，以及它们如何显著提升 LLM 在医学领域的响应性能。LLM（大语言模型）已经改变了人类在日常任务中搜索信息的方式。尽管 LLM 在一般场景中表现良好，但在处理医学、法律、金融等专业知识时，LLM 会产生幻觉并提供无关的信息。它们在这些不断更新的领域中也无法提供最新的信息，并且在没有考虑新见解或发现的情况下，给出简单的回应。…- 7
- 0
-
解锁AI力量：RAG向量数据库Milvus，专为智能应用而生！
Milvus 是一个专为 AI 应用设计的开源矢量数据库。无论您是从事机器学习、深度学习，还是其他任何与人工智能相关的项目，Milvus 都能为您提供一种强大且高效的方法来处理大规模的矢量数据。现在，通过将模型模块集成到 PyMilvus（Milvus 的 Python SDK）中，添加嵌入和重新排序模型变得更加容易。这种集成简化了将数据转换为可搜索向量或对结果重新排序的过程，从而获得更准确的结果…- 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：×