-
深度解读GraphRAG：如何通过知识图谱提升 RAG 系统
01.RAG 简介与 RAG 面临的挑战检索增强生成（Retrieval Augmented Generation，RAG）是一种连接外部数据源以增强大语言模型（LLM）输出质量的技术。这种技术帮助 LLM 访问私有数据或特定领域的数据，并解决幻觉问题。因此，RAG 已被广泛用于许多通用的生成式 AI（GenAI）应用中，如 AI 聊天机器人和推荐系统。一个基本的 RAG 通常集成了一个向量数据库…- 5
- 0
-
LightRAG为什么好用又便宜
LightRAG最近挺火，它将图谱结构整合到文本索引和检索过程中，解决了传统RAG系统在处理复杂实体关系和上下文连贯性方面的不足。这听上去很熟悉，和GraphRAG很像。但LightRAG屌在哪里呢？有两个地方：- 双层检索结构，底层提取细分实体，高层提取整体关系- 增量更新算法，不需要更新整个索引先说第一点：举个例子，我想知道，苹果的营养价值是什么？这一步LightRAG和GraphR…- 4
- 0
-
EfficientRAG：多跳问题回答的高效检索器
今天分享的是一篇由南京大学与微软联合发布的文章：EfficientRAG:多跳问题回答的高效检索器论文链接: https://arxiv.org/pdf/2408.04259代码链接: https://github.com/NIL-zhuang/EfficientRAG-official摘要在处理复杂问题（如多跳查询）时，检索增强生成（RAG）方法往往面临挑战。尽管迭代检索技术通过收集额外信息来提…- 7
- 0
-
【RAG】aiops第一名方案-EasyRAG：自动网络运营的高效检索增强生成框架
来看一个RAG比赛方案，提出了一个名为EasyRAG的框架，用于自动化网络操作的检索增强生成。该框架旨在解决网络操作中信息检索和生成效率低、准确性差的问题。研究难点包括：如何在保证准确性的前提下提高检索和生成的效率；如何实现简单快速的部署；如何在推理过程中显著减少延迟。比赛地址：competition.aiops-challenge.com方法整体包含两部分，数据处理工作流和RAG工作流数据处理工…- 5
- 0
-
RAG工程如何评测？
本篇主要讲RAG工程的评测方法。本篇属于RAG系列，上一篇整理了RAG的基础，没看过的小伙伴也可以参考~本篇来继续介绍RAG工程如何评测。下面是一个快捷目录。一、RAG评估方法二、RAG 的关键指标和能力三、RAG的评估框架 一、RAG评估方法有两种方法评估RAG：独立评估和端到端1. 独立评估独立评估就是对检索模块和生成模型分布评估。1）检索模块评估RAG检索模块性能的指标主…- 6
- 0
-
一文说透微软GraphRAG的理论与实践
今年，微软开源了自主研发的Microsoft GraghRag，犹如一枚重磅炸弹，给市场带来了非常大的反响。开源后不到半年，Github上就获得了18k的star，增长迅猛。在这篇文章中，风叔就详细拆解一下微软GraphRag的原理，并结合源代码，观察实际运行效果。微软GraphRAG的原理微软GraphRag的原理并不复杂，下面的一张图即可解释清楚。首先，我们仍然需要从多个原始知识文档构建知识图…- 9
- 0
-
使用Qwen千问大模型和LangChain打造RAG应用
使用Qwen千问大模型和LangChain框架构建高效的RAG系统，从海量数据中提取信息并生成精确回应。检索增强型生成（RAG）技术的出现，让AI不仅能够生成类人文本，还能实时整合相关信息，提供既丰富又精确的回应。本文带大家了解如何使用Qwen千问大模型和LangChain框架来构建一个高效的RAG系统。包括导入必要的库和安全地管理敏感信息，比如API密钥。让我们开始搭建这个系统的基础。1 环境搭…- 24
- 0
-
长上下文 LLMs 兴起，RAG 会成为历史吗？
目录01 RAG 与长上下文 LLMs 的对比分析02 学术界最新研究成果 2.1 Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? 2.2 RAG vs. Long Context:…- 8
- 0
-
大模型RAG实战｜基于LlamaIndex的大模型应用架构设计
LlamaIndex是一个专为构建大模型RAG应用开发的数据框架。基于这个框架，我们可以加载文档和网页，优化对其中非结构化数据的处理，使用文本转换高级提取管道，从而构建企业级知识库；然后，采用BM25检索和向量检索实现混合检索方法，获取准确有用的信息，发送给大模型生成回答，并实现类ChatGPT的流式输出。以上，是《大模型RAG实战》系列文章已经涵盖的主题。现在，我们要构建一个生产级的大模型RAG…- 9
- 0
-
微软graphRag调研
GraphRAG 是一种结构化的、分层的检索增强生成 （RAG） 方法，与使用纯文本片段的朴素语义搜索方法相反。GraphRAG 过程涉及从原始文本中提取知识图谱、构建社区层次结构、为这些社区生成摘要，然后在执行基于 RAG 的任务时利用这些结构。至于安装和快速入门，这里就不介绍了，详情可以查看下面链接。GraphRag快速开始：https://microsoft.github.io/graphr…- 3
- 0
-
RIG，Google 最新推出的RAG 替代方案
上个月，Google 在 Huggingface[1] 和 Kaggle[2] 上开源了两个新模型：datagemma-rag-27b-it 和 datagemma-rig-27b-it。其中新提出的 RIG（Retrieval Interleaved Generation）检索交错生成，提供了 LLM 与外部数据库交互的新思路…- 6
- 0
-
LightRAG开源了！轻巧、强大，GraphRAG的进化版
我们以前介绍了HybridRAG、GraphRAG这些，今天我们将介绍一个崭新的RAG项目：LightRAG。现有的RAG系统老是搞不清复杂关系，答案经常被切碎，缺乏上下文，难以真正理解问题。而LightRAG就是来解决这些问题的，它把图结构引入文本索引和检索，采用双层检索系统，从低到高全面覆盖信息。更酷的是，它还能快速更新数据，保持实时高效的响应，而且它已经开源了哦！并且你现在可以通过简单的AP…- 5
- 0
-
Milvus×Dify半小时轻松构建RAG系统
最近，检索增强生成（RAG）技术在AI界引起了广泛关注。作为一种将知识库与生成模型结合的新型架构，RAG大大提升了AI应用的实际表现。而在构建RAG系统时，Milvus作为业界领先的开源向量数据库，扮演着关键角色。本文将通过在Dify平台上使用Milvus，带领大家构建一个高效的RAG系统，探索向量数据库的实际应用场景。01.Milvus基本原理介绍1.1 为什么要用向量数据库？在AI应用场景下，…- 7
- 0
-
Anthropic提出Contextual Retrieval让RAG再进化，大幅降低检索失败率
在知识库问答等场景中，RAG已经成为当下最流行的LLM应用范式，为LLM提供又全又准的上下文信息是众多RAG技术努力的方向。在传统的 RAG 解决方案中，编码信息时往往会丢失上下文，这导致系统无法从知识库中检索到相关信息，如何能够更好地保留上下文信息成为了问题关键。Anthropic 研究团队提出了“Contextual Retrieval（上下文检索）”的创新方法在此领域取得了显著进展。近日，他…- 6
- 0
-
G-RAG重排: 基于图神经网络的多文档重排方法来提升RAG性能
文章提出了一种名为G-RAG的方法，通过结合文档图和抽象意义表示（AMR）图来优化检索增强生成（RAG）系统中大型语言模型的回答质量，特别是在处理信息不全或上下文关联度较低的文档时。该方法旨在改善现有重排序技术对文档间连接利用不足的问题，从而减少过拟合并降低计算资源消耗，从而提高RAG系统的性能。研究主要方法 1.文档图的构建对每个问题-文档对，将问题和文档文本拼接后使用 AMR BART 解析生…- 9
- 0
-
RAG实战篇：Self-RAG，通过自我反思大幅提升内容生成质量
前言在《RAG实战篇：构建一个最小可行性的Rag系统》中，风叔详细介绍了Rag系统的实现框架，以及如何搭建一个最基本的Naive Rag。在前面五篇文章中，风叔分别介绍了索引（Indexing）、查询转换（Query Translation）、路由（Routing）、查询构建（Query Construction）和检索召回环节的优化方案。但是在最后的生成（Generation）环节，可能会出现以…- 8
- 0
-
用 RFlow AI，搞学术研究的全部都稳啦！
前些日子，特工宇宙关注到了一款名为「ResearchFlow」的产品。它给我们带来了与传统 Chat 交互形态不同的 AI 搜索和学术研究的新体验，并且更加贴近人类对知识的深度探索和结构化思维方式～还在因找不到合适的文献而焦虑？还在因读不懂论文而发愁？还在因组会汇报 PPT 而发愁？随特工宇宙一起来看看这款 AI 学术研究新利器！ResearchFlow 的产品定位是结合白板和思维导图功能的 AI…- 10
- 0
-
再看长文本大模型遇见RAG：长输入的RAG方案挑战及其缓解实证分析
今天是2024年10月13日，星期日，北京，天气阴。关于RAG长文本进展，长文本LLMs与RAG相遇：解决长输入的RAG挑战，《Long-Context LLMs Meet RAG: Overcoming Challenges for Long Inputs in RAG》：https://arxiv.org/pdf/2410.05983值得一看，其探讨了在检索增强生成（Retrieval-aug…- 8
- 0
-
你设计的AI 工作流不够强大？5分钟，给自己的Agent 工作流加一个Claude插件外挂
工作流不够强大？你是不是也曾对Coze的大模型能力不满?觉得它不够强大,不够智能?别急着否定它。也许,问题不在Coze,而在你。COZE是一个AI工作流平台，可以我们是可以给我们的工作流创建更多的“外挂”插件，就像我们创业项目，需要吸引更强小伙伴加入团队。用插件节点。插件让你接入符合自己需求的大模型。让Agent工作流不再受限。所以我们需要给创建的「COZE工作流」提供外挂插件。比如你用国内某模型…- 9
- 0
-
从Naive RAG到Agentic RAG：基于Milvus构建Agentic RAG
检索增强生成（Retrieval-Augmented Generation, RAG）作为应用大模型落地的方案之一，通过让 LLM 获取上下文最新数据来解决 LLM 的局限性。典型的应用案例是基于公司特定的文档和知识库开发的聊天机器人，为公司内部人员快速检索内部文档提供便利。另外，也适用于特定领域的GenAI应用，如医疗保健、金融和法律服务。尽管Naive RAG在处理简单问题时表现良好，但在面对…- 8
- 0
-
RAG与长上下文LLM（Long-Context LLM）：一场AI领域的对决
当前AI领域快速发展，各种新概念层出不穷，其中Retrieval-Augmented Generation（简称RAG）和长上下文Large Language Models（LLMs，以下简称长上下文LLM）成为了当下热议的话题。开发者和研究人员在特定AI场景中，往往难以抉择是选择基于检索增强生成的系统架构（RAG（Retrieval Augmented Generation）及衍生框架：CRAG…- 1
- 0
-
检索生成(RAG) vs 长文本大模型：实际应用中如何选择？
大语言模型（Large Language Models ，LLMs）技术正飞速发展，尤其是模型在生成文本时能够处理的上下文信息量极速提升。尽管 LLMs 在文本的处理和生成等方面表现出色，但它们却面临一个固有的挑战：难以捕捉信息背景全貌，尤其是在应对冗长对话或涉及多重细节的复杂任务时。为了解决这一问题，研究人员引入了长上下文（Large context windows）和检索增强生成（Retrie…- 5
- 0
-
MemoRAG：重新定义长期记忆的AI问答模型
MemoRAG模型是如何实现长记忆的？©作者|Blaze来源|神州问学引言随着人工智能的发展，AI问答模型在各种应用场景中表现出色，尤其是在信息检索和知识问答领域。传统的RAG模型通过结合外部知识库的实时检索与生成模型，极大地提升了回答的准确性。然而，这类模型仍然面临一个重要挑战：无法有效处理长期信息，尤其是在需要持续记忆和动态更新知识的场景中表现不佳。在此背景下，MemoRAG应运而生。Memo…- 4
- 0
-
RAG前沿之CoV-RAG验证链增强及面向PDF文档的多模态RAG方案简析
今天是2024年10月11日，星期五，北京，天气晴。我们今天来看继续看RAG的两个工作，一个是一个面向PDF文档的RAG方案，可以理解为混合多模态检索，另一个是关于RAG与类COT的结合进展CoV-RAG。两个工作，都很工程化，算法成分不多，也很粗糙，但也看看。供大家参考并思考。一、一个面向PDF文档的多模态RAG方案看到一个工作，《PDF-WuKong: A Large Multimodal M…- 7
- 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：×