-
RAG工程落地：回答内容和检索片段（chunk）对应关系追踪
在 RAG（检索增强生成）应用中，回答内容与检索片段（Chunk）的对应关系追踪是实现回答可解释性、准确性验证和错误溯源的关键环节。以下从追踪目的、技术实现等维度展开详细说明： 先看下效果，如下： 看一看到，大模型的回答中每句话都带有溯源标签。今天我们要实现该效果。一、为什么需要追踪回答与检索片段的对应关系？ 事实性验证：确保回答中的信息来自可信的检索片段，避免大模型 “幻觉”（编造错误信息）。 …- 3
- 0
-
GraphRAG系统：利用LangChain、Gemini和Neo4j构建智能文档检索与生成解决方案
点击“蓝字” 关注我们在人工智能领域，基于私有文档的问答系统一直是研究和应用的热点。传统的检索增强生成（RAG）技术虽然已经取得了显著的进步，但由于其单纯依赖向量相似度，往往难以捕捉实体之间的重要上下文关系。为了突破这一局限，GraphRAG应运而生，它将向量搜索与知识图谱相结合，不仅能够理解语义相似性，还能深入把握概念之间的关系，为文档检索与生成带来了革命性的变革。本文将详细介绍如何使用Lang…- 5
- 0
-
大模型三大步 — 上下文检索RAG
一、什么是上下文检索（RAG） RAG工作流 +-------------------+ +-------------------+ | 用户输入（Query） | | 外部知识库 | +---------+---------+ +---------+-------…- 2
- 0
-
企业级RAG系统规模化部署十条经验
在2025年纽约AI工程师峰会上，Contextual AI创始人Douwe Kiela分享了企业级RAG（检索增强生成）系统规模化部署的实战洞见。作为RAG技术先驱和斯坦福大学客座教授，Kiela从AI研究转向企业落地的过程中，总结了以下关键经验： 1. 上下文悖论：企业AI的核心挑战 当前LLM（大语言模型）在代码生成、数学推理等结构化任务上表现惊艳，但企业价值实现的关键在于“上下文处理能力”…- 4
- 0
-
RAG之父：企业级 RAG 系统落地的实战经验
RAG 之父Douwe Kiela发表了一场演讲：RAG系统在企业中的落地实践，特别是和“AI代理”结合的应用。他分享一些自己走过的坑和总结出的经验。 💡 为什么企业AI很难落地？ 现在大家都说AI是个大机会，甚至麦肯锡说能给全球经济带来 4.4万亿美元的增值。但现实呢？很多企业投入了很多钱，却发现： “效果呢？我们的AI投资到底带来了什么？” 实际上，只有25%的企业能真正从AI中获得价值。这就…- 1
- 0
-
深度解析 RAG（Retrieval-Augmented Generation）技术原理
引言 随着人工智能技术的飞速发展，信息处理和知识利用的效率与精度成为了科研与产业界关注的焦点。在这一背景下，RAG（Retrieval-Augmented Generation检索增强生成）技术应运而生。RAG 结合了检索（Retrieval）与生成（Generation）两大模块，为解决复杂信息处理和知识密集型任务提供了新的思路。本文将深入解析 RAG 的技术原理及关键要点，以帮助读者全面理解这…- 8
- 0
-
最新|Milvus_local_RAG，笔记本也能跑的本地知识库&RAG来了
多数前端开发工程师可能都面临这样一个困境：每天需要查阅大量技术文档、项目规范和学习资料。传统的文件夹分类和搜索方式效率低下，经常为了找一个API用法翻遍整个项目文档。一些大公司，可能会采用企业级知识库方案，通过智能问答来解决这个问题。但问题是：1、不是所有公司都有这个预算2、个人部署一套企业级知识库，环境配置复杂、学习门槛高，对新手极不友好3、使用企业级知识库的平替，在线服务又会出现数据隐私泄露风…- 5
- 0
-
GraphRAG 在 CVTE 多业务场景下的探索与应用
导读 本文将分享视源股份（CVTE）利用 GraphRAG 技术在智能教育与智能客服两大核心场景的探索与应用，从技术原理、框架选型到落地实践，全方位呈现其创新路径与显著成效。文章主要包括以下几大部分：1. GraphRAG 简介及框架2. 智能教育场景3. 智能客服场景4. 未来工作5. 问答环节分享嘉宾｜张世鸣 视源股份（CVTE） 研…- 5
- 0
-
Dify+Firecrawl本地部署RAG知识库chatbot
本文用于记录和描述如何在本地通过配置dify+firecral+Ollama的方式来实现RAG知识库chatbot。整个配置流程在macos15.5下完成，其他操作系统还请依据实际情况更改对应内容。安装difygit clone git@github.com:langgenius/dify.git配置dify环境变量 cd dify/docker …- 13
- 0
-
赢得企业RAG挑战赛的秘诀 —— 冠军方案剖析与感悟
RAG 的魔力在于细节The magic of RAG lies in the detailsIlya Rice前不久看到一篇技术博客，是名为 Ilya Rice 的工程师所著（OS：想念另一位Ilya大佬的第N天），文中记录了作者在一次RAG挑战赛中，尝试过的有效方法，及踩过的坑。最终获得比赛第一名后，吐露真言，有感而发地说出了做好RAG的秘诀：「细节」作者虽不是中土人士，但…- 6
- 0
-
提升AI问答准确率：请在RAG前先做RAR，超越意图识别
在RAG（检索增强生成）落地的过程中，存在一个效果显著，却常被忽视的技术方法 —— RARRAR：推理增强检索（Reasoning-Augmented Retrieval） R（检索）与G（生成）：谁才是胜负手从搜索引擎到智能助手，从笔记工具到AI知识库，输入框背后几乎都依赖RAG技术。当大模型让“生成”能力在聚光灯下闪耀发光时，我们往往低估了“检索”的决定性作用。尤其在当前大…- 7
- 0
-
RAG不好用？试试MCP这个“知识库优化大师”
在企业数字化转型浪潮中，如何有效管理和利用内部知识资产已成为关键挑战。随着大型语言模型(LLM)技术的成熟，检索增强生成(RAG)应用正逐渐成为连接企业知识与AI能力的重要桥梁。然而，传统RAG实现常面临检索质量不佳、实时更新困难等痛点问题。本文将通过实战案例，详细介绍如何基于模型上下文协议(MCP)构建一套高性能企业RAG系统，帮助企业快速打造智能知识库应用。MCP与传统RAG对比优…- 5
- 0
-
RAG系统文本切分算法选型指南
RAG系统文本切分算法选型指南简介在构建企业级检索增强生成（RAG）系统时，文本切分算法的选择至关重要。切分策略直接影响检索的质量和生成结果的准确性。本文档将介绍常用的文本切分方法，分析其优缺点，并结合不同检索器给出最佳实践方案。RAG系统通常包含两个主要组件：1. 索引阶段：加载数据、切分文档、存储向量2. 检索和生成阶段：基于用户输入检索相关内容，利用LLM生成…- 6
- 0
-
如何创建具有自我评估机制的Agent RAG
随着大语言模型（LLMs）的发展，模型已经能够理解大量数据并进行逻辑推理。这些发展带来的最重要成果之一是检索增强生成（Retrieval-Augmented Generation，简称RAG）系统。LLMs 在非常大的数据集上进行训练，但它们受限于训练数据的范围。假设您拥有一家公司，并有一些政策文档。为了让员工找到正确的答案，他们要么需要非常熟悉这些文档，要么需要在文档中搜索答案。您希望通过一个聊…- 5
- 0
-
RAG效果炸裂，亲测EasyDoc文档解析，结构化输出太香了
在构建 RAG（检索增强生成）系统时，光有文档远远不够，一份结构清晰、可被理解的知识库才是模型“打怪升级”的关键。很多解析方案只是简单提取文字，忽略了段落、标题、表格、图表等结构信息，导致内容碎片化、上下文丢失，检索结果不准、回答效果不佳。最终喂给大模型的是一堆“看不懂”的无结构输入，Attention 无法聚焦重点，RAG 效果自然大打折扣。如果你也遇到这些坑，不妨给自己点个赞：你已经意识到——…- 4
- 0
-
一分钟读懂RAG的切分策略
RAG飞速发展，成为连接“生成能力”与“外部知识”的桥梁，关于RAG的介绍可以参考什么是RAG？一文搞懂检索增强生成技术。前面我们介绍了RAG系统中的文档解析，RAG 的文档解析：PDF 篇，在解析文档得到数据后，由于数据规模很可能非常庞大，整体存储具有难度，并且在查询的时候可能仅仅和其中的一个或几个段落有关系，所以需要分块技术将解析后的文档内容切分为适当的片段。在RAG系统的构建中，文档切分策略…- 4
- 0
-
RAG-embedding篇
1.前言RAG飞速发展，成为连接“生成能力”与“外部知识”的桥梁，关于RAG的介绍可以参考什么是RAG？一文搞懂检索增强生成技术。前面我们介绍了RAG系统中的文档解析，RAG 的文档解析：PDF 篇，在解析文档得到数据后，由于数据规模很可能非常庞大，整体存储具有难度，并且在查询的时候可能仅仅和其中的一个或几个段落有关系，所以需要分块技术将解析后的文档内容切分为适当的片段一分钟读懂RAG的切分策略。…- 4
- 0
-
RAG 信息检索：如何让模型找到‘对的知识’
1.前言RAG飞速发展，成为连接“生成能力”与“外部知识”的桥梁，关于RAG的介绍可以参考什么是RAG？一文搞懂检索增强生成技术。前面我们介绍了RAG系统中的文档解析，RAG 的文档解析：PDF 篇，在解析文档得到数据后，由于数据规模很可能非常庞大，整体存储具有难度，并且在查询的时候可能仅仅和其中的一个或几个段落有关系，所以需要分块技术将解析后的文档内容切分为适当的片段一分钟读懂RAG的切分策略。…- 4
- 0
-
从零开始学 Dify – Dify 的 RAG 系统如何有效地处理和检索大量文档？
一、整体架构1.1 架构概述dify 的 RAG（检索增强生成）架构是一个完整的文档处理、索引和检索系统，旨在提高大语言模型生成内容的准确性和相关性。该架构由三个主要模块组成：文档处理模块、向量化与索引模块、检索与重排模块。整个系统的数据流如下：用户上传文档或提供URL文档处理模块提取文本内容并进行清洗文本被分割成适当大小的段落（chunks）向量化模块将这些段落转换为向量表示并存储在向量数据库中…- 6
- 0
-
通过 RAG如何扩展提示词Prompting?
在这个AI深度介入软件开发的时代，作为一名测试工程师，如果你还停留在“自动化测试脚本怎么写”的阶段，那就已经有点落后了。如今，我们已经进入了一个“如何与大模型合作”的新纪元。今天，我想带大家深入了解一个可能听过但不太熟悉的技术名词——RAG（Retrieval-Augmented Generation，检索增强生成），以及一个你今后绕不开的重要概念：上下文窗口（context window）。别急…- 5
- 0
-
什么是RAG？一文搞懂检索增强生成技术
在大语言模型（LLM）如ChatGPT、Claude、Gemini日益强大的今天，人们希望它们不仅能“生成”，还要“准确生成”。然而，LLM训练的数据往往是静态的、封闭的，这使得它们在面对时效性强、专业性高、上下文复杂的问题时，力不从心。在有些时候，企业内部或者事业部门内部的数据是不允许公开上传的，那么也就没有办法享受到大模型的服务，生产力也得不到解放。这时，RAG（Retrieval-Augme…- 2
- 0
-
AI开发实战：解决RAG的召回不准问题
在AI开发的路上，我们总会遇到各种技术难题。今天想和大家分享一个最近解决的RAG（检索增强生成）项目难题。最近接手了一个企业级AI项目，面临的第一个难题就是文件格式混乱：PDF文档Excel表格 Word文件网页内容各种格式混杂传统的RAG架构在处理这些异构数据时表现不佳，召回精度始终达不到理想效果。RAG的召回质量直接决定了大模型生成的质量。召回不准确，再强大的生成模型也会"…- 4
- 0
-
揭开RAG的神秘面纱：90%的人不知道腾讯IMA底层原理
周末参加了冯帅和Mary姐的线下组局，之前我也写过总结贴子，在这就不赘述了。今天我想说说腾讯IMA的底层逻辑RAG，RAG的内容还是比较多，我将分几次内容把它介绍一下吧。RAG 是什么在AI飞速发展的时代，特别是今年DeepSeek大火之后。我们与智能系统的交互日益频繁。当你向各种智能助手询问 “高考作文，你应该怎么写时。” 时，有没有想过它是如何快速准确地给出答案的呢？这背后，RAG 技术发挥着…- 15
- 0
-
金融智脑：破解RAG系统在金融场景中常见失败的七大陷阱
目录1.检索模块的固有局限1.1 嵌入向量与检索质量不匹配1.2 文档切分与语义碎片化1.3 检索时机与触发机制不灵活2.生成模块与检索结果融合不充分2.1 浅层拼接导致语义失真2.2 生成模块对数值与逻辑推理支持不足2.3 生成模块易受“虚构（Hallucination）”影响3.领域适应性与专业知识缺失3.1 预训练模型缺乏专业领域知识3.2 数据源多样性与混合格式处理困难4.系统架构与运行环…- 4
- 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：×