-
穿过幻觉荒野，大模型RAG越野赛
2025年初，大模型赛场热度不减，有拼成本优势，拼Tokens调用量的短跑赛；有比慢思考，比大模型推理能力的长跑赛。但在观看这些“经典赛事”的同时，我们还需要注意另一场正在举行中，并且对大模型行业未来至关重要的比赛——RAG越野赛。所谓RAG，是指Retrieval-Augmented Generation检索增强生成。顾名思义，RAG是将大语言模型的生成能力与搜索引擎的信息检索能力进行结合，这已…- 6
- 0
-
只是RAG了一下，我看到了AI大模型的态度！
如果想让AI大模型在作答的时候，能够做到既准确又丰富，还能观点鲜明有态度，该怎么办？或许，给它一个RAG（检索增强生成）就够了。例如我们问这样一个问题：苹果、三星和华为三家手机，谁在国内的市场未来发展前景最好？现在的AI在回答的时候，就会非常有态度：它直接是给出了一个非常明确的答案，还给了总结——华为的市场未来发展前景最好。并且在作答的过程中，会从市场份额和增长趋势、产品创新与竞争力，以及市场策略…- 7
- 0
-
解锁RAG： AI 2.0 时代的“杀手锏”
摘要：在人工智能快速发展的当下，RAG（检索增强生成）技术成为 AI 领域的关键突破点。本文深入剖析阿里云 AI 搜索 RAG 大模型，带你一探究竟。从 RAG 的背景、架构出发，详细分析其效果问题及归因，进而介绍阿里云的优化实践，包括文档切片改进、大模型微调与 Agent 探索。同时，通过电商、教育搜题等丰富的应用场景展示，呈现 RAG 在实际中的强大效能。无论是 AI 爱好者，还是相关从业者，…- 7
- 0
-
RAG怎么面对用户的4级查询难度？微软给出方案！
-正文-大语言模型（LLMs）通过整合外部数据（如检索增强生成RAG）显著提升任务完成能力。然而，不同查询难度对系统设计提出了独特挑战。本文将查询分为显性事实、隐性事实、明确推理依据及隐性推理依据四级，揭示问题复杂性递增对数据检索、逻辑推断及背景知识整合的需求。Level-1 显式事实查询（Explicit Fact Queries）Level-2 隐式事实查询（Implicit Fact Que…- 4
- 0
-
通过语义压缩文本降低LLM成本
大型语言模型在处理自然语言文本方面表现出色，它们能够处理非结构化数据，并从大量信息中识别出相关内容。然而，这些模型都有一个共同的限制，即上下文窗口大小。上下文窗口是指模型能够同时处理的最大文本量，它限制了模型处理长文本或大量文本数据的能力。对于像Bazaarvoice这样的公司来说，这个限制尤为明显。Bazaarvoice一直在收集用户生成的产品评论，这些评论数量庞大且内容多样。为了提供产品评论摘…- 3
- 0
-
RAG如何让生成AI更智能？最新方法与优劣深度解析
近年来，人工智能技术突飞猛进，尤其是生成式AI，简直像是开了挂一样，各种惊艳的表现让人直呼“未来已来”。根据IDC的研究，生成式AI的市场规模在2022年已经达到了107亿美元，而到2026年，这个数字预计会飙升至326亿美元！不过，尽管生成式AI很强大，但它也并非完美无缺——比如生成内容的质量、准确性和可靠性，依然有提升的空间。这时候，检索增强生成（RAG） 技术登场了！RAG的核心思路很简单：…- 5
- 0
-
万字长文讲透 RAG 在实际落地场景中的优化
在过去两年中，检索增强生成（RAG，Retrieval-Augmented Generation）技术逐渐成为提升智能体的核心组成部分。通过结合检索与生成的双重能力，RAG能够引入外部知识，从而为大模型在复杂场景中的应用提供更多可能性。但是在实际落地场景中，往往会存在检索准确率低，噪音干扰多，召回完整性，专业性不够，导致LLM幻觉严重的问题。本文将聚焦RAG在实际落地场景中的知识加工和检索细节，如…- 6
- 0
-
破解大模型困境：RAG技术如何成为AI的终极武器？
大模型虽然厉害，但并非全能。它主要有三大局限性：知识的局限性、幻觉问题、数据安全问题。 这三大问题，导致通用大模型无法在实际的业务场景中帮助企业和公司解决具体问题。 知识的局限性，指的是模型自身的知识完全源于它的训练数据，而现有的主流大模型的训练都是基于网络公开的数据，对一些实时性的、非公开的数据是无法获取到的，这部分知识也就无从具备。 幻觉问题，所有的AI模型的底层原理都是基于数据概率，…- 5
- 0
-
一百零八智英汇，RAG开启新纪元（下）
智联多模，开启感知摘要：结合文本、图像、代码、结构化知识、音频和视频等多模态数据的RAG方法，可以加强不同模态间信息的融合，实现更深层次的理解和生成。可以根据不同的业务情况，创建更加灵活和精确的检索策略，以满足不同应用场景的需求，提供更广泛的知识获取途径，从而显著提升大模型的理解和生成能力，目前已经有很多RAG的相关工作在医疗领域实现落地。展望未来，随着多模态大语言模型的发展，检索多模态信息以增强…- 9
- 0
-
一百零八智英汇，RAG开启新纪元（上）
｜引言过去的一年内，作为AI应用领域的重要一环，RAG（检索增强生成）的发展可谓是一幅波澜壮阔的画卷。春花初绽，GraphRAG宛如晨曦破晓；夏日炎炎，各类开源工具以及框架蓬勃发展之火如荼；金秋时节，多模态和复杂RAG创新不断，仿佛清泉流淌，滋润着智慧的沃土；冬之孕育，Agent又启新征程，成为RAG新范式的开端。轮番登场，各领风骚，奇技纷呈，美不胜收。如冬雪覆盖大地，孕育着来年的希望，这些进步预…- 17
- 0
-
RAG：7种用于向量数据库+相似性搜索的索引方法
.01概述在现代数据库类型中，尽管关系型数据库（Relational DB）、NoSQL数据库和图数据库（Graph DB）各有千秋，但在RAG（Retrieval-Augmented Generation）系统中，Vector DB却成为首选。它不仅支持水平扩展，还能结合CRUD操作（Create, Read, Update, Delete）提供元数据过滤功能，大幅提升数据检索效率和智能性。本文…- 10
- 0
-
搭建 RAG 系统的技巧和策略
【导读】RAG（Retrieval-Augmented Generation）是一种结合检索和生成的混合系统，在当前大模型的实际应用中具有重要意义。以下是我在之前分享的一些RAG搭建技巧和策略，供大家学习和参考。由于实验是在企业数据上进行验证的，因此不展示具体数据，仅进行技巧上的探讨。RAG优势通过结合检索和生成的优势，RAG显著提高了LLM答案的准确性、相关性和可解释性，并减少了幻觉现象。尽管L…- 8
- 0
-
RAG文档分块新思路：LGMGC如何提升文档分块的语义连贯性？
论文概述在开放域问答（Open-Domain Question Answering, ODQA）任务中，文档分块（chunking）过程中存在的不足。特别是在基于检索增强生成（Retrieval-Augmented Generation, RAG）模型的管道中，文档被分割成独立的块，然后通过检索过程来识别与给定查询相关的块，这些相关块与查询一起被传递给语言模型（LLM）以生成期望的响应。然而，现有…- 7
- 0
-
2024 GitHub 十大最佳 RAG 框架
检索增强生成（RAG）已成为增强大型语言模型能力的一项强大技术。RAG 框架结合了基于检索的系统和生成模型的优势，可以做出更准确、更能感知上下文和更及时的响应。随着对复杂人工智能解决方案需求的增长，GitHub 上出现了许多开源 RAG 框架，每个框架都具有独特的特性和功能。 RAG 框架有哪些功能？检索增强生成（RAG）是一种人工智能框架，它通过整合外部知识源来增强大型语言模型（LLM…- 14
- 0
-
Vertex AI RAG Engine：Google Cloud最新打造的RAG超级引擎（含代码）
在人工智能（AI）技术日新月异的今天，各大科技公司纷纷推出创新产品，旨在为企业和个人开发者提供更加智能、高效的解决方案。近日，Google Cloud宣布其Vertex AI RAG Engine（检索增强生成引擎）已全面上市，这一消息在AI领域引起了广泛关注。本文将深入探讨Vertex AI RAG Engine的功能、优势、应用场景以及对未来AI发展的影响。一、Vertex AI RAG En…- 7
- 0
-
大模型生成内容靠谱吗？CRAAP测试告诉你
截至2025年1月，ChatGPT仍然可能会一本正经地提供不准确或虚构的信息。例如， 如果你向ChatGPT询问“林黛玉倒拔垂杨柳”和“林黛玉三打白骨精”，他会编造看似合理但实际上并不存在的解释，将《红楼梦》中的林黛玉与《水浒传》中的“倒拔垂杨柳”以及《西游记》中的“三打白骨精”错误地关联在一起。这种现象被称为“幻觉（Hallucination）”，即AI生成的内容虽然听起来…- 9
- 0
-
反思 Reflection Agent —— 提升 AI 决策能力的利器
我会展开讲讲一个可以极好优化我们智能体效果的一种能力 -- 反思（reflection） 或者 反思智能体 （Reflection Agent） 最简单的方式： 一个生成构思的生成者 + 一个不断迭代校验的反思者。 生成者尝试直接生成内容， 反思者扮演一个老师或者评论家的觉得对于这个生成内容进行评价，从而形成一个新的环路。 吴恩达教授在自己的关于智能体的描述中阐述了这个逻辑链条： Si…- 5
- 0
-
北航团队发布XRAG-Ollama！ 基于Ollama的XRAG本地化部署与实验基准框架：让你的RAG实验与分析更加简单
XRAG支持全面的RAG测评Benchmark与Toolkit，涵盖了50+以上的测试指标与RAG的全面评测与失败点优化，支持4类Advanced RAG模块（ 查询重构， 先进检索， 问答模型， 后处理） 的对比， 并集成模块内的多种具体实现，支持OpenAI大模型 API。XRAG1.0版本还提供了简单的Web UI Demo、轻交互的数据上传与统一标准格式， 集成了 RAG失败点检测与优化方…- 5
- 0
-
Dify &Coze 知识库分段新功能体验
前段时间，有用户在试用我们知识问答功能时问了下面这个问题：生态保护红线内有限人为活动包括哪些？我们系统回答的效果不好随后我们检查了知识库并做召回测试，发现输入这个问题只能召回部分内容。正确答案出自于下面这个文件及段落：《自然资源部生态环境部国家林业和草原局关于加强生态保护红线管理的通知（试行）》可以看出，上面这个问题要想回答好，需要结合上下文来回答，因为在答案的上一段提到了有限人为活动，和下面的答…- 6
- 0
-
一篇大模型GraphRAG最新综述
AI 的“知识焦虑”很多时候，即使是最强大的 AI 模型，在面对复杂问题时也会显得力不从心？它们仿佛拥有惊人的记忆力，却无法真正理解知识背后的逻辑和关联。这就像一个学霸，背诵了无数知识点，却难以灵活运用。原因在于，传统的 AI 模型（例如大模型）处理信息的方式，通常是将数据视为孤立的个体。它们无法像人类一样，自然而然地捕捉到数据之间的关系，而这种关系正是理解知识的关键。为了解决这个问题，所以&nb…- 4
- 0
-
阿里通义等提出Chronos：慢思考RAG技术助力新闻时间线总结
在数字化时代，新闻信息的指数级增长使得从海量文本中提取和整理历史事件的时间线变得至关重要。为了应对这一挑战，阿里巴巴通义实验室与上海交通大学的研究者们提出了一种基于Agent的新闻时间线摘要新框架——CHRONOS，命名自希腊神话中的时间之神柯罗诺斯，该框架通过迭代多轮的自我提问方式，引导模型在检索相关新闻的过程中进行慢思考，最终生成时间顺序的新闻摘要，为新闻时间线摘要生成提供了一种全新的解决方案…- 6
- 0
-
RAG系统里的查询构建技术：解锁高效数据检索的密码
“ 随着大型语言模型（LLM）的应用不断拓展，检索增强生成（RAG）已成为一种成熟的落地技术。特别是txt2sql和ChatBI等产品的流行，使得查询构建技术的重要性日益突出。本文解析了查询构建的流程，并通过实例说明了，如何将自然语言问题转化为结构化查询，以提高信息检索的准确性和效率。这篇文章旨在普及相关知识，如果你希望落地类似的产品，希望能对你有所帮助。” 查询构建是啥？想象…- 4
- 0
-
深度解读：高级 RAG 技术的进阶之路
前言：RAG 技术的现状与挑战最近阅读 Weaviate 发布的技术白皮书《Advanced RAG Techniques》，这份白皮书系统性地阐述了 RAG 技术的进阶优化方法，对于当前快速发展的 AI 应用领域具有重要的指导意义。作为一名 AI 从业者，希望通过这篇解读文章，为正在实践 RAG 技术的同行提供更加清晰和实用的技术指南。检索增强生成(RAG)技术的出现为大语言模型提供了一个关键的…- 5
- 0
-
基于23ai新特性和开源框架实现GraphRAG
前言大语言模型的兴起极大提升了机器对自然语言的理解能力，相关AI应用也随之蓬勃发展。对于企业而言，构建企业级知识库尤为重要。企业在日常运营中积累了大量的内部文档，如何有效地利用这些文档，将其转化为可用知识，是一个长期存在的挑战。RAG（检索增强生成）技术的出现为这一问题提供了新的解决思路，使对海量文本的自动处理与理解成为可能，进而将文档活化为企业的私有知识库。然而，传统RAG技术在处理复杂知识关系…- 3
- 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：×