-
其实RAG也是智商税，聊聊他与AI知识库的关系
上周写了一篇AI知识库的文章：聊聊与一体机同等级的智商税：AI知识库事实上，文章对于AI知识库是稍带了点否定的色彩，因为单独的知识库毫无意义，但企业本身并不知道要什么，根据我实际咨询下来，其实他们要的是能借用知识库解决问题的Agent。只不过，有点尴尬且以外的是：下来后就有10多个粉丝咨询如何搭建知识库的事，最终居然还成了2单，我最终发现，貌似AI知识库也挺好的...其中，关于咨询知识库的同学，最…- 10
- 0
-
泄漏！知名程序员AI受害，3000字带你避坑
一，开源大佬也难逃“AI安全问题”在程序员的世界里，Simon Willison是一个知名人物。他不仅是Django框架的联合创始人，几乎每一位开发者，都用过他写的Django Web框架（全球超过60%的Python Web应用基于此框架开发），还是创造了开源工具Datasette，在github上拿下9.9k star的优秀开源者。就是这样一位堪比“程序员启蒙”式的地表最强开源者，也没逃过AI…- 9
- 0
-
Dify+RAGFLow：基于占位符的图片问答升级方案（最佳实践）
4/2 号时写了一篇 RAGFlow 实现图片问答的原理解析，后续在知识星球内有星友陆续反馈在使用我提供的源码复现时，会出现知识库中能渲染图片，但回答中图片无法正常加载的问题。RAGFlow如何实现图片问答：原理分析+详细步骤（附源码）知识库预览和引用文件部分是直接展示原始数据或进行简单渲染，它们能正确显示图片，证明原始上传的增强文本中的 URL 是正确的，并且图片服务器和网络配置是通的，问题出在…- 5
- 0
-
Open WebUI中调用RAGFlow的聊天机器人——适合构建个人和企业级知识问答助手
众所周知，Open WebUI 是一个很好的大模型前端界面，阿里的 Qwen 界面就是基于这个开发的（盲猜）。事实上，在使用 Open WebUI 很久之后，我发现通过集成 RAGFlow 这个优秀的 RAG（检索增强生成）框架，可以显著提升文档检索和问答的准确性。本文将详细介绍 Open WebUI 和 RAGFlow，并展示如何通过 Pipeline 将两者连接起来，实现高效的 R…- 9
- 0
-
RAG系统中的“幕后英雄”：重排器如何提升信息检索的精准度？
在信息爆炸的时代，我们每天都在海量的数据中穿梭，试图找到真正有价值的信息。而Retrieval Augmented Generation（RAG）系统的出现，就像是一盏明灯，照亮了我们在信息海洋中的前行之路。但你有没有想过，RAG系统之所以能够精准地为我们提供有用的信息，背后其实有一个关键的“把关人”——重排器（Reranker）。今天，就让我们一起深入探索重排器的世界，看看它是如何在RAG系统中…- 7
- 0
-
Embedding模型选型思路：决定知识库与RAG的准确率上限！
一、核心概念解析1.1 嵌入模型（Embedding）作为AI领域的核心基础技术，嵌入模型通过将非结构化数据映射为低维稠密向量，实现语义特征的深度捕捉：文本嵌入：如将语句转换为1536维向量，使"机器学习"与"深度学习"的向量余弦相似度达0.92跨模态嵌入：支持图像与文本的联合向量空间映射，如CLIP模型实现文图互搜1.2 向量模型（Vector Model…- 6
- 0
-
Dify平台如何做检索增强生成（RAG）
一、RAG 的概念解释RAG（Retrieval-Augmented Generation） 是一种结合了信息检索和文本生成的自然语言处理（NLP）技术，旨在通过动态引入外部知识来提升生成模型的准确性和可靠性。它的核心思想是：先检索相关信息，再生成回答。RAG 的工作原理检索（Retrieval）当用户输入一个问题或指令时，RAG 会首先从外部知识库（如文档、数据库、网页等）中检索与问题…- 9
- 0
-
解决AI在HR应用中产生幻觉的几种方法
不少HR都想尝试把AI应用到人力资源管理的日常工作中，例如从员工智能问答、智能招聘筛选简历，到员工培训需求分析，再到绩效评估预测等。但HR在应用AI中最头疼的问题就是AI可能会产生 “幻觉” ，这成为HR充分信任与运用AI的阻碍。HR为何难以接受AI幻觉决策准确性要求极高HR 工作涉及员工招聘、晋升、薪酬调整等关键决策，直接影响员工职业发展与企业人才布局。例如招聘环节，若 AI 因幻觉推荐了与岗位…- 6
- 0
-
快速构建和部署 RAGS：节省时间和最大化效率的逐步指南
大多数 RAG 都建立在这个技术栈之上；为什么每次都要重做呢？照片由 Warren 拍摄于 UnsplashRAGs 让 LLMs 变得有用。是的，在 RAG 出现之前，LLMs 仅仅是玩具。除了对 LLM 进行一些琐碎的情感分类之外，没有多少应用。这主要是由于 LLM 无法随时随地学习。任何实时的东西都无法与 LLM 配合使用。当 RAGs 开始实践时，这种情况发生…- 13
- 0
-
使用KAG+多模态RAG+智能体建造强大的AI推理机器人
随着 AI 技术蓬勃发展，RAG 正成为游戏规则改变者，迅速成为问题解决和领域应用的合作伙伴，这正是 RAG 的独特之处。然而，RAG 存在一些问题，例如向量相似性与知识推理相关性之间的巨大差距，以及对知识逻辑（如数值、时间关系、专家规则等）的不敏感，这些都阻碍了专业知识服务的实现。你能想象吗？你有一个聊天机器人，需要基于知识片段之间的特定关系进行推理，以收集与回答问题相关的信息。然而，RAG 通…- 11
- 0
-
微软PIKE-RAG开源：解锁专业领域知识理解与推理，RAG新突破！
近一年来，虽然检索增强生成（Retrieval Augmented Generation, RAG）系统在通过外部检索扩展大语言模型（LLMs）能力方面取得了一定的进展。但它主要依赖于文本检索和LLMs的理解能力，缺乏对多源数据知识的提取、理解和利用，尤其在专业知识较强的领域（如工业应用中）表现出显著的不足。为了解决这一问题，微软亚洲研究院提出了 PIKE-RAG（sPecIalized Know…- 10
- 0
-
本地化大模型接入RagFlow错误记录
前两天搭建一个RagFlow和基于vLLM框架的QwQ-32B模型，今天尝试把QwQ-32B接入RagFlow，测试一下RagFlow的功能，以及基于它构建Rag模型的效果。结果一堆错，改了半天，这里记录一下错误：连不上 connection error首先确保宿主机是能够连得上大模型的服务的登录ragflow容器内部测试连接，果然，连接失败docker&n…- 8
- 0
-
本地部署嵌入模型与重排模型指南
本地部署AI应用的一个重要原因就是要用RAG技术对知识库进行管理。简单来说就是大语言模型的上下文通常只有16K-128K，也就是3万字到12万字，这对于知识库管理显然是不够，且过长的文本对于大模型来说存在注意力衰退问题。当然也有例外，比如谷歌的Gemini和海螺的Minimax，这两者的上下文分别达到了一百万和四百万。RAG技术就是通过embedding模型对大文本进行向量化匹配问题进行初步筛选，…- 22
- 0
-
Dify 基础篇| 深度解读 RAG：为什么需要混合检索？
在 RAG（Retrieval-Augmented Generation）架构中，检索环节的核心方法之一是向量检索。向量检索的技术原理是通过将外部知识库中的文档切分成语义完整的段落或句子，并将这些段落通过嵌入（Embedding）转化为计算机可以理解的多维向量，接着也将用户提出的问题进行相同的转化处理。然后，通过计算语义相似度，系统可以高效地匹配出最相关的文本段落。这种基于向量检索的方式，尤其擅长…- 7
- 0
-
还在靠 RAG 查文档？教你一招，AI 回答更靠谱！
在使用 AI 编程的过程中，你是否也遇到过这样一个问题——或者说是一种挑战：手上拥有一大堆文档，但却急需定位其中某条具体的信息。几年前，答案很简单粗暴：看文档！而如今，很多人已经转向更智能的做法：直接问 GPT！更别提配合 Cursor、Cline 这类编程助手，查找答案变得更轻松了。虽然在大多数情况下，这一方法都能奏效，但偶尔你会发现得到的答案并不全面，有时甚至只是一知半解，远不能满足需求。实例…- 7
- 0
-
基于文本结构分块 – 文本分块（Text Splitting），RAG不可缺失的重要环节
-正文-在 RAG 中，文本分块是关键步骤之一，决定了模型理解和回答的精准度。简单的长度分块实现方便，但容易打断语义； LangChain 提供的 RecursiveCharacterTextSplitter，则会优先保留段落、句子结构，通过递归策略在控制块大小的同时保持语义连贯性。1. 基于文本结构分块2. RecursiveCharacterTextSplitter的实现思路2.1 …- 3
- 0
-
ReSearch 框架：让 AI 像人类一样边思考边搜索
“ 大型语言模型（LLM）如何在复杂问题中结合搜索和推理？ReSearch框架用强化学习给出了答案——让模型像人类一样‘边思考边查资料’，还能自我反思和修正错误。”大家好，我是肆〇柒。最近的 DR 产品和框架多起来了，前两天我看到一个框架——ReSearch框架。这个框架通过强化学习（Reinforcement Learning, RL），让大型语言模型（LLM）在推理过程中结合搜索操作…- 6
- 0
-
OlmOCR如何成为搭建RAG 知识库的”智能中枢”？
OlmOCR如何成为知识库的"智能中枢"？1. 终结PDF的"结构诅咒"OlmOCR通过三阶解析技术（元数据锚定→视觉语义对齐→逻辑校验）实现突破：多栏文档：利用PDF原生XObject坐标信息重建阅读顺序，在arXiv论文测试中多栏还原准确率98.2%复杂表格：基于自研LayoutLM模型，嵌套表格识别准确率92.7%（比商业软件高28%）手写体…- 4
- 0
-
RAG技术演进的四大核心命题
随着技术的深入应用，如何高效利用大模型技术优化用户体验，同时应对其带来的诸多挑战？本文将从RAG的发展趋势、技术挑战、核心举措以及未来展望四个维度总结我们应对挑战的新的思路和方法。一、背景自2022年11月30日OpenAI发布ChatGPT-3.5以来，预训练大模型技术开启了指数级发展进程。这一革新热潮在2023年3月至4月达到阶段性高峰：阿里通义千问和百度文心一言等国内头部企业相继发布自主训练…- 7
- 0
-
另类RAG技术论文三篇分享、备忘
引言在当今大模型技术飞速发展的时代，如何让语言模型（LLM）更高效、更准确地利用外部知识，一直是研究者和开发者关注的焦点。传统方法如检索增强生成（RAG）虽然有效，但面临着检索延迟、计算开销大、知识整合不充分等问题。近期，三篇创新性论文提出了截然不同的解决方案：Cache-Augmented Generation (CAG)、Parametric RAG 和 KBLAM，分别从…- 4
- 0
-
旺精通~智能体检索增强生成(Agentic RAG)综述：背景、模型、框架、测试、展望
旺精通：技术细节全解，深度精通技术大语言模型虽强大但依赖静态数据，有信息过时等问题。RAG应运而生，可集成实时数据，但传统RAG有局限性。重要意义在于智能体RAG能克服传统RAG不足，在多领域提供更精准、适应性强的解决方案，推动人工智能在复杂现实场景中的应用。文章先介绍大语言模型依赖静态训练数据的局限，引出检索增强生成（RAG）。阐述RAG从朴素到高级、模块化、图RAG及智能体RAG的范式演变，介…- 5
- 0
-
RAG 的检索优化：MMR 平衡相关性与多样性
RAG 的检索优化：MMR 平衡相关性与多样性 文章目标本文面向 信息检索、推荐系统、自然语言处理领域的工程师以及对 RAG(Retrieval-Augmented Generation) 技术感兴趣的实践者，旨在帮助读者：深入理解信息冗余问题及其对信息获取效率和用户体验的影响。掌握最大边际相关性(MMR) 算法的数学原理、核心机制与运作流程。了…- 4
- 0
-
RAG系统召回率低？ BGE-M3 多语言多功能重塑文本检索
RAG系统召回率低 BGE-M3 多语言多功能重塑文本检索文章目标本文专为 RAG 爱好者 打造，旨在帮助你：深入掌握 BGE-M3 的多功能性、多语言性和多粒度性，理解其如何重塑文本检索。通过实验与代码，探索 BGE-M3 在密集、稀疏和多向量检索中的性能与实现。结合理论与实践，发掘 BGE-M3 在多语言和长文档场景的应用潜力。? 小提示本文是 RAG 进阶系列，包含丰富代…- 9
- 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：×