-
RAG智能问答系统为什么要使用混合检索？（完整版）
有读者反馈之前写的内容没有写完，本篇对之前写的内容进行补充和完善。检索增强生成简称RAG（Retrieval-augmented Generation），RAG为大语言模型安装了知识外挂，基础大语言模型不用训练，通过RAG技术与大语言模型结合在回答问题的时候，可以通过企业内部的知识库检索相关和最新的信息来生成内容，从而提高了回答问题的准确性、实时性和关联性。01—为什么要用混合检索？基于语义的向量…- 8
- 0
-
为什么大语言模型会产生幻觉？如何解决大语言模型幻觉问题？
随着ChatGPT 的兴起，大语言模型再次被提及，越来越多的行业开始探索，如导购、政府、教育、医疗等行业； 大语言模型的突破，展现出了类人的通用智能“涌现”能力，能够学习多个领域的知识、处理多种任务，因此被称为通用大模型，通用大语言模型具备特点也具备不足，大模型特点主要参数模型大、泛化能力强、支持多模态，如 GPT、豆包、通义等在语言交互场景回答问题表现出色。虽然大语言模型在多个指标展现的能力可能…- 5
- 0
-
教程｜用大量文档创建AI助理，可用于快速提取关键信息，学习名人思想等
随着AI大模型发展，从大量、结构复杂的文档中提取关键信息，编排工作流的需求变多。 比如上传某个领域知识，通过AI对话，找到关键信息；上传某个作者的所有书籍/演讲，学习其思想。 目前有很多工具（如下图），还有Coze。 今天介绍一款关注度较高的开源工具——RAGFlow。 RAGFlow是一款基于深度文档理解技术的开源RAG（检索增强生成）引擎，能快速、准确地从各种复杂文档中提取信息，生成高质量的答…- 7
- 0
-
专补大模型短板的RAG有哪些新进展？这篇综述讲明白了
在人工智能的浪潮中，大型语言模型（LLMs）以其卓越的多功能性和智能化水平，彻底改变了我们与信息互动的方式。然而，这些模型并非完美无缺，它们可能产生误导性的“幻觉”，依赖的信息可能过时，处理特定知识时效率不高，缺乏对专业领域的深入洞察，同时在推理能力上也有所欠缺。为了应对这些挑战，检索增强生成（Retrieval-Augmented Generati…- 6
- 0
-
使用RAG技术构建企业级文档问答系统之基础流程
1 概述本文是本系列（使用RAG技术构建企业级文档问答系统）的第二篇，将介绍检索增强生成（Retrieval Augmented Generation，简称RAG）最基础流程。所谓检索增强生成，是大语言模型兴起之后发展迅速的一个应用领域，简单说就是，这项技术，可以根据用户输入的问题，从文档（如PDF、Word、PPT、TXT、网页等）中自动检索跟问题相关的文本片段（或称为知识片段、上下文），然后将…- 4
- 0
-
Speckly：基于Speckle文档的RAG智能问答机器人
点击上方蓝字关注我们 前言Speckly 是一个基于 检索增强生成 (RAG) 技术的智能问答机器人，它能像一位经验丰富的工程师，理解你的问题，并从 Speckle 文档中精准地找到答案。更厉害的是，它甚至可以帮你生成代码片段！?本文将详细介绍 Speckly 的完整开发流程，涵盖从创建图管道到搭建服务器，再到设计用户界面的所有环节，最终实现一个可交互的智能问答系统。您将学习如何： 构建处理…- 3
- 0
-
使用RAG技术构建企业级文档问答系统之使用GPT4进行评估
上篇内容介绍了如何使用TruLens进行RAG效果评估，本文介绍如何使用GPT-4进行打分，这也是目前常用的一种RAG自动化评估方法，比较适合有参考答案的RAG系统构建项目虽然标题是说使用GPT4进行评估，但其实下文介绍的方法可以使用千问、智谱、百川等提供的模型，甚至Ollama本地部署的模型。实际情况中，大家可以根据实际情况灵活选择，总的来说是要选择相对较强的模型，因为要靠这个指标指导后续迭代方…- 5
- 0
-
开源神器！向量、张量、全文搜索一网打尽，打造最强 RAG！
开源 AI 原生数据库 Infinity 0.2 release 正式发布，提供了 2 种新数据类型：稀疏向量 Sparse Vector 和 张量 Tensor，在此前的全文搜索和向量搜索之外， Infinity 提供了更多的召回手段，如下图所示，用户可以采用任意 N 路召回（N ≥ 2）进行混合搜索，这是目前功能最强大的 RAG 专用数据库。为什么需要混合搜索（多路召回）？我们知道，仅仅依靠向…- 3
- 0
-
SQL生成新思路：函数 RAG 和智能工具扩展
本文在 RAG-to-SQL 的基础上，介绍了：• 什么是 函数RAG• 函数RAG的特点• 工具和智能体的结合• 如何使用函数RAG• 函数RAG的使用场景分析和启发函数RAG(Function RAG) 是什么上一篇讲训练的文章提到，VannaAI 经典训练方法 Question-SQL 的方式，而 Fu…- 7
- 0
-
《AI打工摸鱼笔记》LLM+本地知识库自动填写售前技术调研表(上)
今天和大家讲一下我怎么用 LM Studio、Anything LLM、Streamlit 来实现本地的 RAG 功能， 同时让其帮自己『打工』。打工的内容我只是列举了一个简单场景，大家有类似的工作内容都可以依照 此方法来实现。文章内容：• 背景需求和设计思路• Anything LLM 使用• 基础版AI员工（LM Studio + Anything LLM + 知…- 7
- 0
-
动手实现GraphRAG，检索效果大幅提升
检索增强生成（RAG）技术及其进阶版本GraphRAG，通过设置环境和使用Ollama实现应用。1 理解检索增强生成（RAG） 检索增强生成（RAG）技术通过融合检索得到的文档和用户输入的查询，为语言模型注入了额外的上下文信息。这种结合不仅丰富了模型的知识库，还提升了其回答的准确性和相关性。例如，当用户提出涉及特定个人信息或商业数据的问题时，RAG能够从预设的数据源中提取关键信息，辅助模型给出更加…- 3
- 0
-
GraphRAG+Ollama，构建本地精准全局问答系统！
01引言RAG 是目前大语言模型相关最知名的工具之一，从外部知识库中检索事实，以便为大型语言模型 (LLM) 提供最准确、最新的信息。但 RAG 并不完美，在更好的使用 RAG 方面仍存在许多挑战。例如当针对整个文本文档提出一个全局的问题时，RAG会失败，因为RAG本质是一个查询聚焦摘要任务，需要先基于index做检索，而且不是一个明确的检索全文任务。同时受限于大语言模型的上下…- 7
- 0
-
GraphRAG如何配置处理csv文件
经常有粉丝朋友在群里问，GraphRAG怎么处理CSV文件啊？你会发现如果只是按照生成的settings.yaml模板配置，你是不可能成功的。比如这样input: type: file # or blob file_type: csv # or csv …- 5
- 0
-
还在困惑RAG评估？一篇文章彻底解析RAG评估工作流程！
随着AI的快速发展，开发者往往面临一个选择的悖论：如何选择正确的提示，如何权衡LLM质量与成本？评估可以通过结构化的流程来做出这些决策，从而加速开发。下面介绍如何使用LangSmith进行评估，并讨论工作流程的每一部分。一、准备数据集在 LangSmith UI 中使用 csv 上传创建的数据集。https://smith.langchain.com/public/730d833b-74da-43…- 6
- 0
-
【深入浅出RAG】 图形化数据提取工具：LlamaExtract
从非结构化数据中提取结构化数据，不仅是 LLM 的核心用例，也是检索和 RAG 使用案例中数据处理的关键要素。今天我们很高兴宣布 LlamaExtract 的 beta 版本发布，这是一个托管服务，让您能够从非结构化文档中执行结构化提取。它执行以下操作：从现有候选文档集推断出模式。您可以选择稍后编辑此模式。根据指定的模式（无论是从上一步推断出来的、由人类指定的，或两者兼有）从一组文档中提取值。Ll…- 8
- 0
-
大模型Agent，必须得会的ReAct技术！
今天，介绍一下ReAct这个技术。想象一下，如果AI能像人一样思考和行动，那会是怎样的体验？ReAct就是这样一种技术，它让AI在模拟环境中表现得更像人类。LLMs的痛点 首先，得说说LLMs。这些模型经过大量文本数据训练，能预测下一个词。但问题来了，它们容易“幻觉”，也就是编造事实，或者在简单计算上出错。Prompt Engineering 的魔法 你有没有遇到过问AI一个问…- 8
- 0
-
全网最全RAG评估指南：全面解析RAG评估指标并提供代码示例
一、RAG痛点介绍最近我一直在关注和优化RAG（Retrieval-Augmented Generation）相关的内容，总结了一下RAG的痛点和最佳实践，然后重点会介绍如何评估RAG。二、RAG痛点优化认识了RAG的痛点，就知道如何进行优化了，下面是RAG最佳实践的总结。首先，总结一下日常对RAG（Retrieval-Augmented Generation）的最佳实践中，通常会涉及以下关键问题…- 6
- 0
-
使用RAG技术构建企业级文档问答系统之使用TruLens进行评估
1 概述RAG的评估是比较难的，目前一般有以下几种评估方式：人工评估：使用多人评估进行投票通常是最准的，但这种方式在实际工作中成本过高，效率非常低，基本上不具备可操作性使用LLM出现前的BLEU、ROUGE等指标评估：这种方式需要参考答案，较少考虑语义，目前在RAG的评估中比较少用使用RAGAS评估：这种方式是在论文RAGAS：Automated Evaluation of Retrieval A…- 10
- 0
-
微软的GraphRAG是最强RAG？
全文长度：3753字 预计阅读时间：13分钟通过使用Streamlit、LangChain、Neo4j和GPT-4来构建GraphRAG是一个复杂但富有潜力的过程。在此过程中，将结合实际的应用案例进行说明。这项技术的背景和其重要性将在文中详细讨论，以激发读者的兴趣并为后续讨论奠定基础。2024年，微软研究团队发布了一篇有关GraphRAG的论文，并在GitHub上进行了开源，这是我们今天讨论的核心…- 12
- 0
-
GraphRAG-Local-UI将GraphRAG与本地大模型界面化的AI原生应用
前言在人工智能快速发展的当下，如何推进AI有效地落地成为了大家讨论得比较多的一个话题，其中AI Agent是其中的一个典型代表。而RAG作为获取行业关联数据的关键工具，也是AI Agent中不可或缺的组成部分。在GraphRAG横空出世后，我们一直在讨论GraphRAG会成为AI原生应用中RAG的终局吗？今天本文来将重点将GraphRAG与本地的大模型结合来进行落地。?️ GraphRAG Loc…- 8
- 0
-
【RAG实战】基于TextIn打造上市公司财务报表智能问答系统
今天介绍一个项目案例，利用大语言模型打造上市公司财务报表智能问答系统。在当今竞争激烈的市场环境中，企业和投资者对财务信息的获取与分析要求越来越高。上市公司财务报表作为评估公司财务健康和未来发展的重要依据，提供了大量关键信息。然而，传统的财务报表分析技术不成熟、依赖很多人工解读，费时且容易出现误差，痛点如下。随着大数据技术和人工智能的快速发展，如何高效、准确地从这些海量数据中提取有价值的信息成为了一…- 3
- 0
-
改进向量搜索-使用PostgresML和LlamaIndex重新排名
搜索和重新排名：提高结果相关性搜索系统通常采用两种主要方法：关键字和语义。关键字搜索将精确的查询词与索引数据库内容匹配，而语义搜索使用 NLP 和机器学习来理解查询上下文和意图。许多有效的系统结合了这两种方法以获得最佳结果。初始检索后，重新排序可以进一步提高结果相关性。传统的重新排序依赖于历史用户交互数据，但这种方法难以处理新内容，并且需要大量数据才能有效训练。一种先进的替代方法是使用交叉编码器，…- 3
- 0
-
高级 RAG 07：探索表格的 RAG
关键技术、现有开源方案，提出并实现新方案实现RAG面临挑战，尤其是在有效解析和理解非结构化文档中的表格方面。 对于扫描文档或图像格式的文档，这一挑战尤为困难。这些挑战至少包括以下三个方面：扫描文档或图像文档的复杂性，如其多样化的结构、包含非文本元素以及手写与印刷内容的混合，给自动准确提取表格信息带来了挑战。解析不准确会破坏表格结构，使用不完整的表格进行嵌入不仅无法捕捉表格的语义信息，还容…- 6
- 0
-
RAG 实践- Ollama+MaxKB 部署本地知识库
前言 本文我们介绍另外一种部署本地知识库的方案： Ollama + MaxKB 相对来说，容易安装且功能较完善，30 分钟内即可上线基于本地大模型的知识库问答系统，并嵌入到第三方业务系统中。 缺点是如果你的电脑配置不高，问题回答响应时间较长。 下图为 MaxKB 的产品架构： 实现原理上，仍然是应用了 RAG 流程： 安装 MaxKB 首先我们通过 Docker 安装 MaxKB docker r…- 6
- 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：×