-
AI Agent智能体: 企业知识自动化的新架构 – MenloVC
摘要本篇文章探讨了人工智能（AI）从简单的大型语言模型（LLM）发展到自主智能体的演变，概述了四个关键构建块（推理、外部记忆、执行和规划），并详细介绍了不同的智能体架构（检索增强生成（RAG）、工具使用、决策智能体、有限自主智能体和通用AI智能体），同时提供了实际案例。 关键要点:- **生成式AI**正在从搜索、合成和生成的阶段向能够思考和行动的自主智能体演变。 - **完全…- 11
- 0
-
如何为RAG应用选择最佳Embedding模型
向量Embedding是目前检索增强生成（RAG）应用程序的核心。它们捕获数据对象（如文本，图像等）的语义信息，并以数字数组表示。在时下的生成式AI应用中，这些向量Embedding通常由Embedding模型生成。如何为RAG应用程序选择合适的Embedding模型呢？总体来说，这取决于具体用例以及具体需求。接下来，让我们拆分步骤来分别来看。01.确定具体用例我们基于RAG应用程序需求考虑以下问…- 4
- 0
-
Neo4j×Milvus：手把手教你搭建GraphRAG Agent
文章最初发布于 Neo4j，已获得授权转载。01.概览本文详细介绍了如何使用 Neo4j 图数据库和 Milvus 向量数据库搭建 GraphRAG Agent。这个 Agent 通过结合图数据库和向量搜索的强大功能，能够提供准确且与用户查询十分相关的答案。在本文示例中，我们将使用 LangGraph、Llama 3.1 8B 配合 Ollama 和 GPT-4o。传统的检索增强生成（RAG）系统…- 10
- 0
-
别再用PostgreSQL了,Milvus才是多语言RAG的最佳搭档
你有没有想过,为什么我们的大脑能够轻松地理解"一朵花"、"a flower"和"一輪の花"其实指的是同一个事物?多语言 RAG 系统就像是在模仿人类大脑的这种神奇能力。它通过先进的向量技术,将不同语言中表达相同含义的文字转化为统一的"数字密码"，让机器也能具备类似人类的跨语言理解能力。如果说传统的翻译系统是在文字&qu…- 7
- 0
-
RAG系统中的困境：上下文不是想加就能加的
“这段代码明明是对的啊，为什么ChatGPT还给出了错误的解释？我都把相关文档放进去了！” “用户问的是2024年的新闻，我也给了最新的新闻报道作为上下文，但模型回答的还是2022年的旧闻...” 相信做RAG应用开发的同学都遇到过类似的困扰。明明提供了相关的上下文，为什么大模型还是会产生幻觉...是大模型没有好好利用上下文，还是上下文本身就不足以回答问题？ 最近Google、UCSD等机构的研究…- 3
- 0
-
FastRAG：高效半结构化数据处理新范式，轻松提升检索生成效率
今天分享的是一种针对半结构化数据处理的 RAG 方法：FastRAG。论文链接: https://arxiv.org/abs/2411.1377301 简介随着网络规模的不断扩大和数据量的激增，对网络数据的处理和理解变得越来越困难。传统的网络管理工具在处理半结构化数据（如日志和配置文件）时效率低下，难以全面提取和利用其中蕴含的信息。现有的大型语言模型（LLM）结合检索增强生成（RAG）技…- 8
- 0
-
Gitee AI+Dify 双剑合璧，打造另类 RAG 知识库
从红薯喊我来折腾 AI 至今已经四个月了，很感激 Gitee AI 团队在这个过程中给与的支持与帮助，也是基于 Gitee AI 团队给我的强大信心，我们联合兄弟单位申报的国家卫健委《2024年医学工程科研项目》顺利通过审批，拿到了立项通知书。我们的项目是一个围绕医疗设备和医用耗材开展 AI 使用探索的一个应用，涉及到 AI 方面的业务流程，主要就是需要利用 RAG+LLM 的功能，给临床提供指定…- 15
- 0
-
详细的Agentic RAG的前世今生
虽然检索增强生成 (RAG) 主导了 2023 年，但代理工作流程将在 2024 年推动巨大进步。AI 代理的使用为构建更强大、更稳健、更通用的大型语言模型 (LLM) 驱动的应用程序开辟了新的可能性。一种可能性是使用代理 RAG 管道中的 AI 代理来增强 RAG 管道。本文将介绍Agentic RAG 的概念、其实现以及其优点和局限性。Agentic RAG基本原理Agentic R…- 7
- 0
-
微软最新研究：RAG（Retrieval-Augmented Generation）的四个级别深度解析
当下检索增强生成（Retrieval-Augmented Generation，简称RAG）架构以其独特的优势逐渐崭露头角，尤其在处理复杂、多部分的查询时展现出了卓越的性能。微软，作为全球科技巨头，对RAG（小模型在RAG（Retrieval-Augmented Generation）系统中的应用：提升效率与可扩展性的新路径）的研究尤为深入，并提出了基于查询需求分层的RAG任务分类法，这一方法将用…- 7
- 0
-
总算有人把智能体记忆说清楚了
❝随着人工智能技术的迅速发展，智能体（Agent）已经成为许多领域的热点话题。尤其是在生成式AI大规模应用的时代，智能体的设计和运作模式备受关注。而其中，“智能体的记忆”更是近年来AI开发中的核心问题之一。一个没有记忆的智能体就像金鱼一样，在对话结束后就会忘记所有信息，严重限制了其潜力。本篇文章将循序渐进地介绍智能体记忆的概念、类型、更新方式以及其实际应用。通过具体的例子，帮助读者深入了解智能体记…- 5
- 0
-
RAGOps 指南：构建和扩展检索增强生成系统
RAGOps 指南：构建和扩展检索增强生成系统有效实施 RAG 的架构、操作层和最佳实践在生成式 AI 和大型语言模型驱动的应用中，检增强生成（RAG）技术被广泛应用，这一点并不让人感到惊讶。事实上，根据Databricks 的报告[1]，超过 60% 的 LLM 驱动应用在某种程度上使用了 RAG。因此，在当前价值约 60 亿美元并以每年近 40% 速度增长的全球 LLM 市场中，RAG 无疑成…- 6
- 0
-
企业级 RAG 应用程序的终极工具包
llmware 是一个集成框架，具有 50+ 多个小型、专业、开源模型， 用于快速开发基于 LLM 的应用程序，包括 Retrieval Augmented Generation （RAG） 和代理工作流的多步骤编排。适用谁该项目提供了一套全面的工具，任何人都可以使用，从初学者到最老练的 AI 开发人员，都可以快速构建工业级、基于知识的企业 LLM 应用程序。概述llmware 提供一个统一的框架…- 7
- 0
-
本地知识库，通过RAG来解决信息的精准生成
-正文-既然有了大语言模型LLM为什么还要用RAG,LLM 的局限性有哪些？RAG的优势：RAG的使用场景：架构基本工作流程：核心组件RAG，即检索增强生成（Retrieval-Augmented Generation），是一种结合了信息检索（Retrieval）和文本生成（Generation）的人工智能技术。RAG是生成式AI领域的重大进展，它通过整合外部知识源来增强传统的大语言模型 (LLM…- 3
- 0
-
比GraphRAG还好的LightRAG到底是何方神圣？
1. 为什么要提出 LightRAG？检索增强生成（Retrieval-Augmented Generation，RAG）通过整合外部知识源来增强大型语言模型，这种整合使 LLM 能够生成更准确和与上下文相关的响应，显著提高实际应用中的效用。• 通过适应特定领域知识，RAG 系统确保所提供的信息不仅相关，而且符合用户的需求。• 提供获取最新信息的途径，这种途径在一些快速发展的领域非常重要。• 分块…- 11
- 0
-
LightRAG – 更快更便宜的GraphRAG
检索增强生成（Retrieval-Augmented Generation, RAG）已经成为提升大型语言模型（LLMs）能力的重要方法之一，通过整合外部知识，显著改善了生成内容的质量和相关性。RAG 的局限性传统的 RAG 系统虽然表现优异，但其局限性也不容忽视：数据结构扁平化 传统 RAG 系统往往依赖扁平化的数据结构，难以捕捉信息之间的复杂关系。这种缺陷导致生成的答案片段化，缺乏上下文的一致…- 4
- 0
-
全面解析LLM业务落地：RAG技术的创新应用、ReAct的智能化实践及基于业务场景的评估框架设计
1. 如何让 LLM 更好的业务落地常见方法等待新的大型模型版本：但是，每个新版本也会有时间限制。自己训练模型：这种方法成本高昂且耗时，需要大量基础设施。它也只是一个临时解决方案。LoRA（低秩自适应）微调：这种方法更简单、更便宜，可以更频繁地进行，但不能在线进行。模型参数无法动态更新。RAG（检索增强生成）：RAG-Graph 和 RAG Light 等变体允许您根据提供的文档添加知识，使用最新…- 6
- 0
-
LightRAG：提升检索增强生成的效率与准确性
.01概述在快速发展的人工智能领域，如何让语言模型更高效、更准确地生成上下文相关的答案，一直是研究者们的热门课题。最近，来自香港大学和北京邮电大学的研究团队推出了LightRAG，一种轻量级、高效的检索增强生成（RAG）方法，标志着这一领域的新进展。与以往的RAG模型相比，LightRAG在生成速度和上下文相关性方面表现更佳，为开发者提供了更强大的工具。.02什么是RAG？检索增强生成（Retri…- 9
- 0
-
深度解析比微软的GraphRAG简洁很多的LightRAG，一看就懂
目录1、背景2、传统RAG与GraphRAG区别3、LightRAG整体流程4、分析LightRAG的4种查询方式背景最近RAG领域出了比较火的Graph RAG，相继微软也开源了他们的Graph RAG方案，香港大学也输出了比微软Graph RAG更简洁的方案LightRAG；LightRAG整体效能都很优秀，老顾今天就来分析一下LightRAG的实现原理，以及源码分析传统RAG与GraphRA…- 2
- 0
-
LightRAG：GraphRAG 的可替代方案
检索增强生成 (RAG) 方法已迅速成为构建将大型语言模型 ( LLMs ) 与外部数据的优势相结合的智能系统的重要工具。该领域的最新突破之一是LightRAG——一种先进、经济高效的 RAG 框架，利用知识图和基于向量的检索来改进文档交互。在本文中，我们将深入探讨 LightRAG、它与 GraphRAG 等方法的比较，以及如何在您的计算机上设置它。什么是 Ligh…- 10
- 0
-
AI在路上：Agentic Workflow框架技术理解
大模型进入到2024年Q4，接触到的企业客户都关心的话题就是如何应用起大模型创新技术。从ChatGPT发布以来，我们已经理解这种新的交互方式：通过对话的方式可以快速获取一些有用的内容。从企业应用的角度，这个内容的获取是至关重要的，必须保证正确并且富有前瞻性指导，但是通过调用大模型返回的结果往往不太稳定，出现幻觉是家常便饭。为了解决幻觉问题，研究人员发现通过RAG (Retrieval-Augmen…- 1
- 0
-
Chonkie：一个极速且轻量级文本分块的革命者，解锁 RAG 分块多种策略
简介 Chonkie是一个用于RAG（检索增强生成）任务的轻量级、快速的文本分块库。Chonkie 特点功能丰富：提供多种分块器，满足不同的RAG应用需求。易于使用：只需安装、导入即可使用。速度快：分块速度快，性能优越。支持广泛：支持多种分块器，包括TokenChunker、WordChunker、SentenceChunker、SemanticChunker和SDPMChunker。轻量级：核心…- 7
- 0
-
RAG新思路之引入知识图谱规则及文档解析技术路线总结
今天是2024年11月2日，星期六，北京，天气晴，2024年11月份的第二天。本文主要介绍3个工作，一个文档智能进展，关于文档解析技术、数据的总结，一个是RULERAG之引入规则知识进行RAG，后者我理解是大模型与知识图谱结合用于RAG的另一个思路。后者是知识图谱与RAG的另一个结合思路，供大家一起参考并思考。一、关于文档解析技术、数据的总结关于文档智能相关的进展，大家可以看看最近的一个综述，《D…- 10
- 0
-
RAGCache:多级动态缓存大幅降低RAG延迟、提升吞吐能力
RAG 技术通过结合外部知识库,有效提升了大语言模型(LLM)的性能。然而,RAG 系统在处理长序列生成时面临严重的延迟和效率挑战。最近,北京大学联合字节跳动的研究人员提出了一项名为 RAGCache[1] 的创新研究为这一难题提供了巧妙的解决方案。关键发现现有的优化方案主要聚焦于LLM推理加速本身，未能充分考虑RAG系统的特点，研究团队通过分析，揭示了三个重要发现：性能瓶颈：RAG系统的主要瓶颈…- 2
- 0
-
【论文日报】LLM合集：百川发布HtmlRAG，利用HTML结构增强RAG系统的知识获取与处理能力
1. HtmlRAG: HTML is Better Than Plain Text for Modeling Retrieved Knowledge in RAG Systems检索增强生成（RAG）已被证明能够提高知识能力，并缓解大语言模型（LLM）的幻觉问题。网络是RAG系统中主要的外部知识来源之一，许多商业系统，如ChatGPT和Perplexity，使用网络搜索引擎作为其主要的检索系统。…- 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：×