-
Anthropic研究团队提出新技术，引入Contextual Retrieval让RAG再进化，大幅降低检索失败率
在当前的知识检索领域，RAG技术正引领着最新潮流，它的目标是为大型语言模型（LLM）提供丰富而精确的上下文信息。然而，传统RAG方法在处理信息时经常会忽略上下文细节，这限制了其从知识库中提取相关信息的能力。解决如何有效保存上下文信息的问题，已成为该领域的重点。针对这一挑战，Anthropic的研究团队提出了一种名为“上下文检索”的创新技术，使得在这一领域取得了重大突破。他们最近发表的研究详细介绍了…- 4
- 0
-
RAG实战篇：检索召回结果不准确？试试这三种实用方法
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。在前面四篇文章中，风叔分别介绍了索引（Indexing）、查询转换（Query Translation）、路由（Routing）和查询构建（Query Construction）环节的优化方案。在这篇文章中，围绕检索召回（Retrieval），风叔详细介绍如何优…- 3
- 0
-
检索增强思考 RAT（RAG+COT）：提升 AI 推理能力的强大组合
在人工智能领域，大型语言模型（LLMs）已经取得了显著的进展，能够生成类似人类的文本并回答各种问题。然而，它们在推理过程中仍面临一些挑战，例如缺乏对事实的准确把握以及难以处理复杂的多步骤问题。为了解决这些问题，检索增强生成（RAG）和思维链（CoT）提示技术应运而生，而它们的结合（RAG + CoT，即检索增强思想 RAT）更是展现出了强大的优势。一、RAG：知识的注入器RAG，即检索增强生成，是…- 5
- 0
-
微软：RAG 任务分类法玩转LLM外部知识
问题RAG 任务分类法的核心是什么？RAG 任务分类法对解决工程问题带来什么帮助？RAG 任务分类法如何结合RAG工具提高任务效率？四个级别，明确LLMs任务复杂度RAG任务分类方法，根据所需的外部数据类型和任务的主要焦点，将用户查询分为四个层次：• Level-1 显性事实：此类查询涉及直接从数据中提取明确存在的事实，无需进行任何形式的额外推理。这构成了最基础的查询类型，其中模型的主要任务是精确…- 0
- 0
-
探索RAG、AI Agents和Agentic RAG的架构、应用程序和主要区别
人工智能催生了能够执行各种任务的强大模型。该领域最具影响力的两项进步是检索增强生成 (RAG) 和Agents，它们在改进AI驱动的应用程序中发挥着独特的作用。然而，新兴的Agentic RAG概念提出了一种利用两种系统优势的混合模型。Agentic RAG是什么？与RAG、Agents有什么区别？接下来，本文将全面分析这三种技术的概念与联系，探索它们的架构、应用程序和主要区别。1. 什么是检索增…- 5
- 0
-
打造自己的RAG解析大模型：(可商用)OCR全服务部署，文本+表格+版面！
在上一篇文章中，我们成功串联了文本检测、方向分类、文本识别模型，搭建了一个基础的OCR文本识别服务。然而，针对复杂的PDF文档，仅靠基础的OCR功能还远远不够。为了实现全面的PDF文档解析，尤其是对于表格和版面内容的识别，还需要串联更多的目标检测模型，如表格识别和版面分析模型。本篇文章将基于前两篇的内容，深入讲解如何将文本、表格、版面三个模型进行串联部署。通过对这些模型的串联，不仅可以处理文本，还…- 2
- 0
-
国庆期间5大RAG前沿进展总结：从表格RAG-TableRAG到引入图、树结构优化的RAG框架
今天是2024年10月10日，星期四，北京，天气晴。我们今天来聚焦国庆假期关于RAG的一些前沿进展，这个也是作为社区早报的内容，如下：文字版见社区，本文介绍5个工作，包括关于表格RAG-TableRAG、引入图结构和增量更新RAG框架lightRAG、RAG与知识图谱结合解决医疗问题、RAG用于自动驾驶领域、关于引入权重的RAG树组织GARLIC等。供大家一起参考并思考，一、关于表格RAG-Tab…- 2
- 0
-
一条命令能够将网页内容转换成适合任何大模型处理的格式，AI时代的检索增强，Star 6.6K！
“有可能基于LLMs+SearXNG的问答式搜索会是下一代搜索引擎的发展新趋势”后来我们也分享了一个《一个AI驱动的搜索引擎，内置SearXNG，也许是未来搜索新姿态，Star 10K！》的开源项目-Perplexica，一个基于LLMs的搜索引擎。Perplexica的核心原理主要就是利用搜索引擎SearXNG在网络上搜索信息，然后通过机器学习算法对结果进行重新排序，并将搜索结果作为提问词的一部…- 7
- 0
-
基于图的元数据过滤改进 RAG 应用中的矢量搜索
文本嵌入和矢量相似性搜索可以帮助我们理解文档的含义以及它们之间的相似程度，从而找到文档。但是，当根据日期或类别等特定条件对信息进行排序时，文本嵌入就不那么有效了；例如，如果你需要查找在某一年创建的所有文档，或者在 "科幻小说 "等特定类别下标记的文档。这就是元数据过滤或过滤矢量搜索发挥作用的地方，因为它可以有效地处理这些结构化过滤器，让用户根据特定属性缩小搜索结果的范围。在所提…- 5
- 0
-
RAG 系统评测实践详细版：Coze 及相关产品评测对比，以及下一代 RAG 技术
RAG 系统评测实践详细版：Coze 及相关产品评测对比，以及下一代 RAG 技术 RAG（检索增强生成）是一种 AI 框架，它将传统信息检索系统（例如数据库）的优势与生成式大语言模型 (LLM) 的功能结合在一起，通过将这些额外的知识与自己的语言技能相结合，AI 可以撰写更准确、更具时效性且更贴合您的具体需求的文字。 RAG 通过几个主要步骤来帮助增强生成式 AI 输出： 检索和预处理：RAG …- 5
- 0
-
MemoRAG：突破性记忆驱动的检索增强生成系统，重塑复杂任务处理
检索增强生成利用检索工具访问外部数据库，从而通过优化上下文来提升大型语言模型（LLMs）的生成质量。然而，现有的检索方法本质上受到限制，因为它们只能在明确提出的查询和结构化知识之间进行相关性匹配，无法处理涉及模糊信息需求或非结构化知识的任务，即：现有的 RAG 系统主要在简单的问答任务中有效。本文提出了一种新的检索增强生成范式MemoRAG，它由长期记忆驱动。MemoRAG 采用双系统架构。一方面…- 9
- 0
-
微软RAG系统的的四层查询与技术挑战
大型语言模型（LLMs）通过利用外部数据增强，展示了在现实世界任务中突出的能力。这些外部数据不仅提升了模型在特定领域的专业知识和时效性，还有效降低了生成幻觉的风险，从而提高了输出结果的可控性和可解释性。然而，要在不同领域中成功应用数据增强的LLMs，依然面临许多挑战，这些挑战涉及从检索合适的数据、准确理解用户意图，到充分挖掘LLMs推理能力以完成复杂任务的各个方面。本研究提出了一种针对RAG（检索…- 9
- 0
-
用伪代码Prompt让LLM进行图推理，生成更精准内容 | 最新
最近有研究发现，当LLM面对结构化数据，特别是图数据时，LLM的表现却不尽如人意。这几天，来自希腊和法国的研究团队提出了一种创新方法——利用伪代码提示来增强LLM的图推理能力。我基于这项研究先写了一个伪代码的SYSYTEM PROMPT运行出了一个社交网络分析的结果，再用这个结果写了一段代码，运行出了下面的图。我的评价只有一句：LLM图推理还是要用Pseudo prompt。01伪代码提示的力量#…- 8
- 0
-
如何利用大模型+RAG构建知识问答助手？
知识问答助手已经成为企业在探索大模型应用时的首选场景之一，基于大模型的知识问答助手不仅能够自动整合企业内外部的海量信息，构建全面、精准的知识图谱，还能够通过自然语言查询，实现一键触达精准答案。大模型存在幻觉问题、可解释性差、隐私和安全问题等明显缺点，为了提高知识问答的准确率，一种基于“大模型+RAG（检索增强生成）”架构的方式正在形成。RAG的本质是在大模型交互之前提前进行搜索，召回正确的上下文给…- 11
- 0
-
使用Ollama本地离线体验SimpleRAG（手把手教程）
Ollama介绍Ollama是一个开源项目，专注于开发和部署大语言模型，特别是像LLaMA这样的模型，用于生成高质量的文本和进行复杂的自然语言处理任务。Ollama的目标是让大语言模型的运行和使用变得更加容易和普及，而无需复杂的基础设施或深度的机器学习知识。GitHub地址：https://github.com/ollama/ollamaRAG是什么？检索生成增强（Retrieval-Augmen…- 4
- 0
-
优化文本嵌入，大幅提升RAG检索速度
优化嵌入向量，实现文本处理的效率与性能的最佳平衡。1 简介 文本嵌入技术能够将文字信息转换成高维向量表示的数字，提供了一种理解和处理文本数据的新方式，帮助我们更好地理解和处理文本数据。这些向量，也就是数字数组，能够捕捉文本的深层特征，进而支持多种应用。比如理解语义、进行文本分类、聚类、信息检索，甚至优化搜索结果排序等。传统上，嵌入向量的维度是固定的，通常取2的幂次方，大小介于64到4096之间。现…- 13
- 0
-
提升RAG应用性能：使用智谱AI的GLM-4和Embedding-3模型优化文档检索
上文 提速 RAG 应用：用 DeepSeek API 替换本地 Ollama 模型，LlamaIndex 实战解析 我们介绍了如何通过 DeepSeek 的 API 调用 DeepSeek v2.5 模型 替换通过 Ollama 调用本地下载好的 Qwen2.5 模型。这样做的目的是想通过 API 调用远程部署好的 LLM 给我们的 RAG 应用提提速。不然由于本地个人电脑计算资源的不…- 4
- 0
-
Retrieval-Augmented Generation (RAG 检索增强生成) 创新切块策略
随着信息技术的快速发展，大规模文档的处理与分析已成为信息检索、自然语言处理（NLP）等领域的核心挑战之一。在复杂的文档处理任务中，如何有效地将大型文档分割成更小的、主题相关的部分，对提升系统性能至关重要。近年来，Retrieval-Augmented Generation (RAG) 系统的兴起为这一难题提供了新的解决方案。本文将深入探讨一种基于句子embedding的创新RAG切块方法，该方法旨…- 6
- 0
-
使用小尺寸大模型和 Dify 清洗数据：Qwen 2.5 7B
本篇文章，我们聊聊如何使用最近发布的 Qwen 2.5 7B 模型来做日常低成本的数据清理工作。写在前面这个月好像比上个月还忙，去了很多地方，见了很多朋友。之前云栖大会上说要写几篇 Qwen 相关的实践，一直没有时间，趁着今天出行前的空档，分享一篇之前使用小模型的经验。本篇文章使用的模型是千问 2.5 版本的 7B 模型的官方量化版：Qwen2.5-7B-Instruct-GPTQ-Int4，因为…- 5
- 0
-
Anthropic RAG: 上下文检索技术
RAG 系统通常用于增强 AI 模型的特定领域知识。传统 RAG 方法在编码信息时会丢失上下文,导致检索失败率较高。"上下文检索" (Contextual Retrieval) 用于改进 RAG 系统中的检索步骤,通过结合语义嵌入和精确匹配技术,显著提高了 RAG 系统的检索准确性,从而提升了 AI 模型在特定领域任务中的表现。1传统 RAG 系统工作流程将知识库分割成小块文本…- 6
- 0
-
AI检索黑马获2000万美元融资，推进RAG系统精准化，破解AI幻觉难题
在AI技术广泛应用的企业场景中，提高检索准确度和效率已成为关键挑战。特别是面对生成式AI中的“幻觉”问题，企业急需有效解决方案。华人学霸团队Voyage AI，一家由华人创办的AI初创公司，正是为了应对这一问题而诞生。通过开发先进的嵌入和重新排序模型，Voyage AI为企业提供了高效的检索增强生成（RAG）解决方案，以应对复杂数据的检索需求。Voyage AI近日宣布完成了2000万美元的A轮融…- 10
- 0
-
OpenRAG：全面增强RAG推理，超越Self-RAG、RAG 2.0、Command R+
现有的RAG方法在使用开源LLMs处理复杂查询（如多跳检索任务）时，表现出有限的推理能力。提出了一个名为OPEN-RAG的新框架，旨在提高开源LLMs在RAG中的推理能力。OPEN-RAG中的推理流程。它学习生成检索/不检索标记，对比相关和不相关上下文，并将答案归类为部分支持、完全支持或不支持。然后在推理时，给定一个（多跳）用户查询，首先强制模型在输入条件为不检索的情况下生成答案，并根据模型的置信…- 6
- 0
-
如何引入chunk层级优化RAG性能：从树结构RAPTOR到GEM-RAG加权图方案解读
今天是2024年9月29日，星期日，北京，天气晴。最近看到一张图，关于现有多模态大模型进展，其一般构造中设计两个预训练组件：大型语言模型（LLM backbone）：为VLM提供语言理解能力的组件。视觉编码器（Vision encoder）：为VLM提供图像理解能力的组件。《Molmo and PixMo: Open Weights and Open Data for State-of-the-A…- 5
- 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：×