-
李宏毅：一堂课搞懂 AI Agent 的原理
李宏毅刚刚发布了《一堂课搞懂 AI Agent 的原理》，非常深入浅出，强烈推荐。李宏毅认为，从 LLM 的角度来看，它做 AI Agent 任务仍然是在做文字接龙。AI Agent 并不是语言模型的新技术，它比较像语言模型的一个应用。视频如下：课程主要内容：备注：重点信息在第五部分，AI Agent 的关键能力剖析一、AI Agent 的基本运作原理核心循环：目标 (Goal) -> 观察…- 8
- 0
-
AI模型的Token是个啥？一文秒懂！
DeepSeek 的爆火让茶余饭后讨论的话题都变成了AI，如果你玩过ChatGPT 或者 DeepSeek 这样的 AI，可能听过 “token” 这个词。听起来像是啥高科技玩意儿对吧？别慌，其实它超级简单！Token 就是AI看懂你说话的“小砖块”，就像你搭乐高时一块块小零件。咱们今天就来轻松拆解它。Token 是啥？在自然语言处理（NLP）中，token 是文本被拆分后的最小片段。AI模型并不…- 5
- 0
-
一个能给大模型加上“记忆”的工具，让 AI 助手更懂你，Star 26K+！
随着 AI 技术的飞速发展，大模型在自然语言处理领域能力也是显而易见的，无论是 Kimi 的超长上下文处理能力，还是最近爆火的 DeepSeek 推理大模型，都能够处理复杂的语言任务并生成高质量的文本。然而，这些大模型在记忆方面存在明显的局限性。以 ChatGPT 和 DeepSeek 为例，尽管它们能够处理的上下文越来越长，但一旦超出上下文窗口的限制，就需要重新开启一个对话，仿佛“失忆”一般忘记…- 7
- 0
-
RAGFlow+DeepSeek搭建私人Ai助理
前言满血版DeepSeek虽然很好用，但仍然有三个主要缺陷：联网的DeepSeek无法解决数据安全问题，如果使用，数据将传输到其服务器，数据隐私性无法保证。上传的文件存在限制，无法解决有多个文件的问题。回答的内容存在幻觉，或是缺乏数据的泛泛而谈，不够精确。为解决这三点问题，可采用RAGFlow+DeepSeek本地部署的方案。1. 配置准备这套方案对设备依赖性较高，因为需要使用Docker做部署+…- 8
- 0
-
结合DeepSeek、FAISS与LangChain构建RAG系统
Retrieval-Augmented Generation（RAG）技术已经成为了一项革命性的突破。它打破了传统语言模型仅依赖预训练知识的局限，通过动态检索外部信息，生成更加相关和准确的回答。本文将详细介绍如何使用LangChain、FAISS和DeepSeek-LLM构建一个处理PDF文档、检索相关内容并生成智能响应的RAG系统。一、RAG技术概述RAG技术是一种结合了检索和生成能力的新型语言…- 19
- 0
-
大模型 RAG 终极指南：信息检索 + 文本向量化 + BGE-M3 实践全解析！
凡事预则立，不立则废，学习 AI 也不例外。过去，我已经分享了不少关于RAG（检索增强生成）的内容。最近，越来越多新朋友加入，为了让大家快速上手，我特意整理了一份RAG关键知识总结，让你系统掌握信息检索、文本向量化以及 BGE-M3 embedding 的核心要点。话不多说，干货开始！?本文整理一些文本向量化（embedding）和信息检索的知识，它们是如今大模型生成文本时常用的技术 —— “增强…- 10
- 0
-
MCP、RAG、Agent之间的概念和关系，被我和AI协作的12张图总结了
hi，我是持续探索与 AI 协作方式的周知。hi，我是持续探索与 AI 协作方式的周知。MCP、RAG、Agent 最近太火了，搞 AI 的都在聊，但发现身边很多朋友其实并不太懂这些概念花了一整天和 AI 协作，终于把这些复杂概念画成了 10 张易懂的图解从 MCP 的提示混合机制，到 RAG 的知识检索增强，再到 Agent 的自主决策框架，每张图都尽量简化到小白也能看懂的程度。建议：从文意到解…- 8
- 0
-
提升RAG性能的关键一步：一种基于混合分块器的粒度感知方法
检索增强生成 (Retrieval-Augmented Generation, RAG) 作为一种旨在应对大语言模型 (LLM) 在数据新鲜度、幻觉和领域知识不足等方面挑战的技术范式，通过检索相关知识来增强其生成答案的准确性。正如我们所知，一个优秀的RAG系统离不开两个核心组件：检索器（Retriever）和生成器（Generator）。检索器负责从海量数据中找到与用户query最相关的…- 5
- 0
-
AI老板心中的迈巴赫：DeepSeek+Ollama+Xinference+RAGFlow+Dify部署教程，RAG落地5件套！
DeepSeek-R1火了之后，Ai老板部署需求大大提升，抛开效果不谈，五件套易用性和灵活性相比VLLM大大提升，门槛较低，但是效果不言而喻。 以下部署全部以docker方式进行，因为太方便了,但同时坑很多，请做好心理准备喜欢折腾的同学可以按照下面教程进行部署，我也是被逼无奈请杯子里面装满水，原地坐牢，不出意外的话就马上出意外了，一个BUG一支烟Xinference部署Xorbits I…- 4
- 0
-
从系统提示词看 Cline 和 MCP
背景最近在玩 Cline + MCP。一个想法是接入 Etherscan 的 MCP Server，这样可以实现一些常规的链上信息查询。实际上 Ethereum GPT[1] 就是用类似的方式实现的。然而搜索并没有发现成熟的实现，看来 Crypto 相比于 AI 还是小众太多了。幸而找到了 openapi-mcp-server[2]，可以将 OpenAPI spec …- 2
- 0
-
大模型私有知识库如何提高准确率？切块是关键
在进行RAG（Retrieval-Augmented Generation）任务时，我们仿佛在进行一场精密的开卷考试。在回答问题之前，我们会通过多级检索策略查阅事先准备好的知识库（包含结构化文档、领域论文和实时更新的行业报告），这种动态增强机制不仅能够将答案准确率提升35-50%，还能通过语义关联技术自动生成知识图谱，使输出的答案具备专业深度和横向拓展性。…- 3
- 0
-
通义QwQ-32B+Milvus，消费级显卡布满血大模型与RAG的时代来了！
前言最近，通义开源的QwQ-32B模型可谓是火的一塌糊涂。作为一个中型推理模型，QwQ-32B只有320亿参数，但却在多个基准测试中展现出优秀的推理能力，几乎直逼满血版DeepSeek R1，在数学计算、写作与代码编程方面的表现更是相当不错。最重要的是，QwQ-32B不仅性能强大，还极其“亲民”，它体积小、推理快，支持消费级显卡部署，像RTX 4090这样的显卡就能轻松运行，非常适合普通个人开发者…- 6
- 0
-
RAGflow+AI：实现智能“测试需求分析师”
RAGflow介绍 RAGflow是一款功能强大的开源检索增强生成（RAG）引擎，它基于深度文档理解技术，能够从各种复杂格式的非结构化数据中精准提取关键信息。该引擎支持多种异构数据源，结合了大型语言模型和嵌入表示技术，为用户提供准确可靠的回答和有理有据的引用。RAGflow的安装与配置 RAGflow的安装相对简便，以下是具体步骤：环境准备：确保系统已安装Docker。Dock…- 7
- 0
-
RAG 调优指南：Spring AI Alibaba 模块化 RAG 原理与使用
RAG 简介Cloud Native什么是 RAG（检索增强生成）RAG（Retrieval Augmented Generation，检索增强生成）是一种结合信息检索和文本生成的技术范式。? 核心设计理念RAG 技术就像给 AI 装上了「实时百科大脑」，通过先查资料后回答的机制，让 AI 摆脱传统模型的“知识遗忘”困境。?️ 四大核心步骤1. 文档切割 → 建立智能档案库核心任务: 将海量文档转…- 6
- 0
-
一文读懂大模型RAG：检索、增强与生成的技术详解
大模型（Large Language Model，LLM）的浪潮已经席卷了几乎各行业，但当涉及到专业场景或行业细分领域时，通用大模型往往面临专业知识不足的问题。相对于成本昂贵的“Post-Training”或“Supervised Fine-Tuning”（监督微调，SFT），基于RAG的技术方案成为了一种更优选择。本文笔者将从RAG所解决的问题及模拟场景入手，详细总结相关技术细节，与大家分享~初…- 8
- 0
-
RAG检索增强之Reranker重排序模型详解！
什么是Reranker模型？ReRanker模型是对RAG检索返回的结果进行重新排序的模型。也就是下图所示中2nd Retrieval的模型。具体来说，ReRanker模型在RAG Pipeline中扮演着第二阶段的角色，即在初始检索步骤之后，对检索出的文档块chunks进行重新排序，以确保相关的文档块优先被传递给LLM进行处理。为什么需要Reranker模型？在回答这个问题之前，我们先深入了解一…- 9
- 0
-
泼冷水：CherryStudio+本地知识库，没你想的那么简单
知识库，没那么简单最近，有很多朋友在看了我的（假装是这样）一系列介绍 CherryStudio 的教程以后，都开始使用CherryStudio这个全能AI助手了。如果你还没有看过，可以翻看本账号之前的内容，相信一定会有所收获。我相信很多朋友使用CherryStudio的目的，除了AI对话以外，还想建立自己的知识库，让AI能结合自己提供的资料生成更有针对性的回答。这是一个很自然、也很美好的想法。但是…- 6
- 0
-
别太天真！RAG若只是文档灌Dify，那要工程师做什么？
在AI技术日新月异的今天，我们对智能助手的期待已经远远超出了简单的问答。你是否曾好奇，为什么有些AI回答精准流畅，而有些却显得答非所问？答案或许就在RAG（Retrieval-Augmented Generation，检索增强生成）——一种正在悄然重塑AI能力的技术。如果你以为RAG只是“把文档丢进dify”那么简单，那可能就低估了它的复杂性。今天，我们不仅要揭开RAG的核心原理，还要深入解析其中…- 7
- 0
-
AI Agent 记忆技术浅析
什么是Agent记忆？Agent记忆（Agent Memory）是指AI Agent在执行任务过程中存储和管理信息的能力和机制。它类似于人类的记忆系统，使Agent能够记住过去的交互、经验和知识，并在后续任务中利用这些信息做出更好的决策。这种记忆机制对于实现持续学习和处理长期任务至关重要。什么Agent需要记忆？从技术角度来看，Agent的记忆本质上是对大模型有限上下文的一种扩展。在Agent的生…- 10
- 0
-
一个MCP网站推荐&Demo验证
集成 AI 模型的痛点复杂性与集成成本：现有系统或第三方系统中嵌入 AI 模型往往需要大量定制化开发，过程复杂且容易出错。MCP 开放标准的意义开放生态的重要性：MCP 作为一个开放标准，这种开放性有助于形成良好的生态系统，推动技术和产品的持续发展。1、推荐MCP服务目录站https://www.pulsemcp.com/2、检索到一个RAG的站点MCP服务3、服务Serverhttps://gi…- 15
- 0
-
MCP 未来六个月展望
1、读到了一篇对MCP的分析，特别是在划分权限与控制方面有了一个独特的理解MCP 服务器将三种元素分配给不同的控制方：①提示（Prompts）：由用户掌控，程序员提供选项，用户可注入到 LLM 中。②资源（Resources）：由应用（AI 工程师）管理，决定数据使用方式，LLM 不自动干预。③工具（Tools）：由 LLM 控制，服务器提供工具列表，LLM 自主选择并调用。2、这个是RAG 是当…- 13
- 0
-
Dify v1.1.0 发布：用元数据给知识库”贴标签”，RAG 检索效率翻倍
今天，我们很高兴地宣布发布 Dify v1.1.0，并推出了以“元数据”作为知识过滤器的新功能。通过利用自定义的元数据属性，元数据过滤能够提升知识库中相关数据的检索效率和准确度。过去，用户只能在庞大的数据集中进行搜索，无法根据特定需求进行筛选或控制访问，难以快速锁定最相关的信息。而在引入元数据后，相当于给数据打上标签并进行归类，大幅度提高了检索的效率和准确性。对于在 RAG（检索增强生成）场景下需…- 17
- 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：×