- 综合排序
- 最热优先
- 最新优先
- 来自专栏Lcry个人博客
RAGFlow 开源检索增强 AI 知识库部署教程
使用过 dify 和 fastgpt 的产品大家都知道还有一款增强 RAG 平台 RAGFlow，博主早在 2023 年 AI 盛行的时候就调研过这款产品，现在已经 2025 年，截止目前最新版本已经来到了 介绍 RAGFlow 是一个领先的开源检索增强生成（RAG）引擎，将前沿的 RAG 与代理能力融合，为大型语言模型创建了更优越的上下文层。它提供了一套精简的 RAG 工作流程，适用于任何规模的企业。 检查命令： echo "--- CPU 核心数 ---" && nproc; \ echo "--- 内存总量 ---" && free -h | grep Mem: | awk '{print $2} 数据源也可以根据实际添加，可以使用 S3 协议自建 minio 或者 rustfs 初体验 知识库 创建一个知识库，上传一些文档试试。 聊天 创建一个聊天助手，配置引用知识库，然后进行问答。 搜索 搜索可以选择多个知识库进行检索，支持 AI 总结以及引用原文。
1.8K10编辑于 2026-01-09 - 来自专栏AI应用开发实践
检索增强生成
一 什么是RAG RAG，英文全称是 Retrieval-Augmented Generation，中文我们一般叫做检索增强生成，这是一种结合信息检索技术与生成式大语言模型（LLM）的框架。 他可能会瞎编：“《星际穿越2》上周刚上映，评分 9.8！”（其实根本没这部电影） 这时候你会说：“等等，你先去豆瓣查一下再回答！” 这个“先查资料再回答”的过程，就是 RAG（检索增强生成）的核心！ 数据安全与隐私：企业敏感数据无需上传至公有模型，仅通过本地知识库增强回答（如客服系统引用内部退货政策）。 降低微调成本：无需频繁重新训练模型，仅更新外部知识库即可适应新需求。 三 如何实现 RAG 我们来看下这张经典的 RAG 流程图： 这张图清晰展示了检索增强生成（RAG）的核心流程，分为数据准备和问答生成两大阶段。 我们分别来看。 嵌入模型（如 Word2Vec、BERT）通过大量数据自动学习，无需人工标记。例如，它发现“苹果”和“香蕉”常出现在相似语境中（比如水果沙拉），于是将它们分配到相近的向量位置。
41910编辑于 2026-03-26 - 来自专栏xiaosen
检索增强生成（RAG）
检索增强生成（Retrieval-Augmented Generation, RAG）是一种结合了检索机制和生成模型的先进技术，旨在提高自然语言处理系统的准确性和上下文相关性。 检索管道：根据用户的查询从已索引的数据库中检索最相关的信息，使用检索策略和重排序方法来优化结果。 生成管道：将检索到的数据与用户的查询结合，生成准确、相关且连贯的响应。 构建RAG系统的步骤 1. 文本分块：将长文本分割成较小的块，以便于后续的嵌入和检索。 2. 向量嵌入生成 向量嵌入是RAG系统的基础，它将文本数据转换为数值表示，使得计算机能够理解其语义。 print(response) 构建一个简单的问答系统 pip install langchain openai 创建知识库 创建一个简单的知识库，包含一些常见问题及其对应答案。 # 创建问答链 qa_chain = LLMChain(llm=llm, prompt=prompt) 实现查询功能 def answer_question(question): # 检查知识库中是否有答案
1.4K10编辑于 2025-01-03 检索增强生成（RAG）：大模型的‘外挂知识库
它通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大模型，从而增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。 工作原理 1. 语义理解：提取输入的语义信息，以便后续检索。 （2）检索相关文档 系统使用检索模型从外部知识库中查找与输入最相关的文档或段落。 2. 生成（Generation） （1）输入整合 将用户输入和检索到的文档整合为一个增强的输入。 例如： 用户输入：“量子计算的基本原理是什么？” 准确性高 检索增强：通过从外部知识库中检索相关文档，生成模型能够基于真实、可靠的信息生成回答，显著提高准确性。 减少幻觉：相比纯生成模型（如GPT），RAG减少了生成虚假或无关内容的可能性。 2. 检索效率问题 计算成本高：检索过程需要对大规模知识库进行搜索和匹配，尤其是稠密检索模型，计算开销较大。 延迟较高：检索和生成两个步骤的串联可能导致响应时间较长，不适合实时性要求高的场景。 2.
1.8K10编辑于 2025-05-31RAG检索增强生成
痛点2：缺少私有知识用户："我们公司的请假制度是什么？"模型："我不了解你公司的内部制度。"痛点3：容易产生幻觉用户："产品X的技术规格是什么？" RAG=Retrieval-AugmentedGeneration=检索增强生成核心思想：先搜索，再回答。就像开卷考试——允许你翻书找答案。 ──┐│││增强│将检索到的文档+用户问题│││(Augment)│组合成完整的Prompt││└──────┬──────┘│││││▼││┌─────────────┐│││生成│大模型基于检索内容生成回答 │┌───────┼───────┐▼▼▼子查询1子查询2子查询3"Python"Java"Web开发Web开发Web开发语言对比"框架"框架"│││▼▼▼检索结果1检索结果2检索结果3│││└──── ──否──→重新生成│││是││▼││输出回答│└────────────────────────────────────────────────────┘四、GraphRAG（知识图谱增强RAG）4.1
30911编辑于 2026-05-02- 来自专栏大数据杂货铺
使用检索增强生成 （RAG） 增强 SQL 代理
在本文中，我们将探讨如何通过合并高级分析功能来增强 SQL 代理的功能。想象一下，代理不仅能够提供基本的统计数字，例如客户支付的平均金额，而且还能够提供更高级和更有趣的见解。 CallDuration','DataCounter','SMS') DistanceMeasure('cosine') TopK(2) ) AS dt ORDER BY 3,1,2,4; 以下是来自 DB 的结果： Target_ID Reference_ID DistanceType Distance 检索增强生成 （RAG） 为了便于您的代理了解如何使用这些功能，我建议采用一种称为检索增强生成 （RAG） 的技术。 此方法有助于根据查询查找相关说明。 此外，我们还讨论了创建一个 RAG 来检索相关的语法指令信息。现在，让我们探讨如何无缝集成这两个组件。 RAG 作为工具 在这篇博客中，我详细介绍了 如何利用SQL 代理与数据库交互等工具。
1.2K10编辑于 2024-04-02 - 来自专栏自然语言处理
检索增强生成 和思维链 结合: 如何创建检索增强思维链 (RAT)？
检索增强生成 (RAG)：知识注入器 想象一下，一个 LLM 正在研究一道数学题。RAG 就像一个乐于助人的导师。它允许 LLM 在推理过程中从外部来源（如公式或定理）获取相关信息。 RAT：知识与思维链的结合 检索增强思维 (RAT) 是一种简单但有效的提示方法，它将思路链 (CoT) 提示与检索增强生成 (RAG) 相结合，以处理长窗口推理和生成问题。 检索增强思维 (RAT) 的管道。给定一个任务提示（在图中表示为 I），RAT 从 LLM 在零样本（“让我们一步一步思考”）中产生的初始分步思维（1、2、· · ·、）开始。 知识库：这象征着 LLM 可以通过检索增强生成 (RAG) 访问的外部知识库。 增强修订：这指的是 LLM 如何根据检索到的信息和先前的解释来完善其思维链 (Ti)。 重复：重复步骤 2-4，直到 LLM 得到满意的解决方案 (Tn)。 下图强调了 RAT 如何通过结合外部知识检索和逐步解释来解决 LLM 在复杂推理任务中的局限性。
90710编辑于 2025-01-05 - 来自专栏AIGC 先锋科技
超越图像检索：利用CLIP文本表示增强语言模型的视觉知识 ！
为了增强对视觉知识的 LM，现有解决方案通常依赖于显式图像，这需要耗时的检索或图像生成系统。本文表明，对于视觉增强 LM，并不需要显式图像。 为了进行公平的比较，作者修改了使用图像检索和表示的视觉增强 LM，使其直接使用视觉感知的文本表示。作者将这个新模型命名为盲-VaLM。 VaLM 是自回归语言模型视觉增强的最新实例，它利用预热的CLIP多模态模型（Radford等人，2021年）进行图像检索和表达以提高下一个标记预测。 6 Conclusions 在这项工作中，作者测试了一个假设，即显式图像检索并非增强视觉语言模型所必需的。 这些结果为视觉增强语言模型的研究开辟了新的道路，超越了基于图像检索的范式。作者在这项工作中得出的结论使得未来工作的视觉增强更为高效，从而能实现更广泛的探索空间。
60010编辑于 2024-09-27 - 来自专栏大语言模型
基于知识图谱构建的检索增强生成-GraphRAG（尝鲜篇）
之前专栏有介绍过LLM应用的利器RAG，通过它的实现原理，我们可以看出它有个很大的缺点就是在检索过程中只是对切片片段进行召回，所以也只能回答局部文档问题，无法回答知识库全局问题。 微软前段时间开源了GraphRAG（Graph-based Retrieval Augmented Generation）是在通用RAG基础上结合了知识图谱。 GraphRAG的主要流程：利用LLM从知识库中提取实体以及实体关系；利用LLM对实体联系进行聚类，生成社区摘要；在回答用户问题时利用LLM结合社区摘进行回答。 所以基于GraphRAG的问答是提供了更丰富的上下文和关系信息，提升生成RAG的检索生成效果，整个pipline如下图所示。 数据和配置 2.1 准备知识库 知识图谱我马上能想到的最好的例子就是红楼梦人物关系图了。所以可以让大模型生成一份红楼梦四大家族简介和关键人物介绍，然后保存到txt就可以。
5.7K41编辑于 2024-07-28 - 来自专栏机器学习
介绍 RAG（检索增强生成）
RAG 的基本原理RAG 模型的工作流程可以分为以下几个步骤：检索：从一个大型知识库或文档集合中检索与输入查询相关的文档或段落。 文档摘要：从多个文档中检索相关段落，生成一个综合性的摘要。信息检索增强：在需要综合多个信息源的任务中，RAG 可以提供更全面的回答或内容。 RAG 的实现步骤步骤一：数据准备首先，需要准备一个大型的文档集合或知识库。这可以是维基百科、新闻文章、科学文献等。还需要准备一组训练数据，包含查询和对应的答案。 print(response)总结RAG（检索增强生成）通过将检索和生成相结合，能够在需要丰富背景信息的任务中表现出色。 它不仅在开放域问答和对话系统中具有很大的应用潜力，还可以用于文档摘要和信息检索增强等任务。通过适当的数据准备、检索模型训练、生成模型训练和模型融合，可以构建出一个强大的 RAG 系统。
2.5K00编辑于 2024-07-29 检索增强生成（RAG）在开源知识库中的实践应用
传统知识库存在非结构化数据治理缺失、知识链路断裂、语义检索不足、跨系统协同壁垒高四大痛点，制约知识资产激活。 （二）RAG增强的AI原生内核：全链路智能化知识处理能力采用AI原生架构，将检索增强生成（RAG）深度融入全流程，构建AI创作、问答、搜索三位一体能力，解决「人找知识」痛点。 内置知识切片分块模块，对接向量数据库实现高效检索；AI创作依托Prompt工程模板降本提效，AI搜索采用混合检索架构提升精准度，AI问答支持多轮推理与溯源。 内置内容降噪去重模块与增量同步机制，自动提取元数据与标签，为知识图谱构建和语义检索提供支撑。 知识分级管控：基于设备全生命周期管理框架搭建三级知识库，批量导入研发文档，编制SOP作业指导书，构建故障根因分析库；2.
52611编辑于 2026-03-12- 来自专栏IT运维技术圈
推荐一个企业级知识图谱增强的检索增强生成(RAG)的项目
介绍 Microsoft GraphRAG 是一个开源项目，旨在利用 Microsoft Graph 的强大功能构建企业级的知识图谱增强的检索增强生成（RAG）方案。 简单来说，它将企业内部的各种数据源（如邮件、文档、日历、联系人等）通过 Microsoft Graph 连接起来，形成一个结构化的知识图谱，然后利用这个知识图谱来增强 RAG 系统的检索能力，从而提升大语言模型 构建知识图谱： 运行知识图谱构建器，将数据转换为知识图谱，并将其存储到图数据库中。 配置检索器： 根据实际需求配置检索器，包括图查询语言的选择、检索策略的设置等。 检索增强生成： 将知识图谱与 RAG 技术相结合，提升 LLM 在企业应用中的问答和生成效果。 模块化架构： 架构设计清晰且模块化，易于扩展和定制。 总结 Microsoft GraphRAG 是一个非常有潜力的项目，它利用 Microsoft Graph 的强大功能构建企业级的知识图谱增强的 RAG 方案，为企业应用带来了新的可能性。
2.3K10编辑于 2025-02-18 - 来自专栏AIGC
【AIGC】检索增强技术深度剖析（RAG）
在这种情况下，检索增强生成 （RAG） 开辟了新的视角。RAG 允许将 AI 模型与公司的特定内部数据集成，不仅可以进行处理，还可以对这些知识进行智能解释和利用。在本文中，我们将探讨如何实现这一点。 一、检索增强定义RAG 是一种技术，它允许通过从大型文档数据库中实时检索信息来扩展预训练语言模型的知识。 二、深度使用检索增强想更深入地了解这个简单的例子吗？ 这是它的样子：在这种情况下，检索增强生成 （RAG） 就派上用场了。我们可以通过向提示添加上下文信息来简单地扩展机器学习模型的知识。从理论上讲，它如下所示：从理论上讲，它会起作用。 小节本节我们学习了检索增强，我们知道了什么是检索增强，我们为什么需要检索增强以及检索增强构建思路，后面章节我们会专门整理出来检索增强服务的构建过程，大家敬请期待吧。
1.1K10编辑于 2024-05-11 - 来自专栏人工智能
检索增强生成（RAG）技术详解
检索增强生成（Retrieval-Augmented Generation，RAG）通过将外部知识检索与生成相结合，有效解决了这些问题。 RAG技术概述 什么是RAG RAG是一种结合信息检索和文本生成的AI架构，工作流程如下： 用户查询 → 检索相关文档 → 生成增强回答 → 返回结果 ↓ 低 低 知识密集型任务 搜索引擎 外部知识库 高 低 极低 信息检索 RAG的优势 知识更新便捷：更新文档即可，无需重新训练模型 回答可解释：可以展示参考来源，建立信任 减少幻觉：基于检索到的事实生成回答 # RAG检索增强生成实践代码 import torch import numpy as np from typing import List, Dict, Optional, Tuple import * 2) # 关键词检索 keyword_doc_ids = self.keyword_search(question, top_k=top_k * 2)
1.5K10编辑于 2026-01-21 - 来自专栏人工智能
LLM的检索增强--SELF-RAG
通常人们会使用RAG来解决大模型的幻觉问题，检索增强生成（RAG）是一种通过检索相关知识来增强 LLMs 输入的方法，可以减少这类问题。 然而，无论检索是否必要或检索到的段落是否相关，RAG 方法都会不加选择地检索和整合固定数量的检索段落，这可能会降低 LLMs 的多功能性或导致生成无用的响应。 LEARNING TO RETRIEVE, GENERATE, AND CRITIQUE THROUGH SELF-REFLECTION》的论文提出了一个创新解决方案——SELF-RAG框架，旨在通过自我反思和检索增强来提高语言模型的生成质量和事实准确性 如果模型确定需要检索，它会输出一个检索标记（retrieval token），触发检索模型（retriever model）按需检索相关文档。 **增强多功能性**：SELF-RAG不会损害语言模型的多功能性，它能够根据任务需求灵活地调整检索和生成策略。
62010编辑于 2024-11-25 RAG革命：检索增强生成如何重塑企业知识库，告别“幻觉”时代
#RAG革命：检索增强生成如何重塑企业知识库，告别“幻觉”时代摘要本文深度解析检索增强生成（RAG）技术如何解决大语言模型的“幻觉”问题，重塑企业知识库系统。 直到引入RAG技术，我们才实现：医疗场景错误率降至0.3%知识更新时效从3天缩短至5分钟运维成本下降70%二、三大技术支柱详解2.1RAG技术原理解析检索增强生成（Retrieval-AugmentedGeneration >F[事实性校验]核心创新点：动态知识注入：实时检索最新知识库文档生成约束：强制模型仅使用检索内容作答置信度监控：输出附证据来源及置信分数与传统微调对比：RAG避免模型“死记硬背”，知识更新无需重新训练 checklist1.文档预处理：-✅移除页眉/页脚-✅拆分超过500字符的段落2.元数据标注：-添加`doc_type`（政策/财报/手册）-⏰添加`update_date`3.混合检索策略：-70% ifnotcontains_entity(response):return"警告：答案缺乏具体实体"#规则2：答案是否超出上下文范围？
46610编辑于 2026-02-27- 来自专栏机器学习与统计学
为什么检索增强生成（RAG）在获取新知识方面优于微调？
RAG 的优势 虽然 RAG 和微调都可以用于将新信息整合到 LLM 并提高特定任务的性能，但研究表明，对于训练期间遇到的知识以及全新知识，RAG 的表现始终优于无监督微调（也称为持续预训练）。 控制和可解释性： 如果检索索引中存在包含有害或偏见内容的有问题文档，可以轻松删除或修改这些文档。 此外，RAG 中的“R”（检索）支持更精细地控制如何检索文档，例如，通过划分检索索引，可以确保每个组织只能检索其自身索引中的文档，从而防止信息泄露。 结论 RAG 在获取新知识方面比微调具有明显的优势，包括易于更新、更好的控制和可解释性。 虽然长上下文模型可能会改变某些用例的游戏规则，但 RAG 仍然是 LLM 应用中不可或缺的一部分，尤其是在处理新知识和需要精细控制的情况下。
39510编辑于 2024-08-21 RAG的下一站：检索增强生成如何重塑企业知识中枢？
#RAG的下一站：检索增强生成如何重塑企业知识中枢？摘要：本文将深入探讨检索增强生成（RAG）技术在企业知识管理领域的革命性应用。 E[关键词检索]C-->F[图关系检索]D&E&F-->G[知识片段聚合]G-->H[LLM生成增强]H-->I[溯源标注]I-->J[响应输出]关键技术突破点：混合检索层：结合向量语义匹配（解决同义词问题 （知识截止问题）89%（动态增强）✅实测电商场景多源关联能力⚠️有限⚠️随机性强精准关联知识图谱嵌入实施周期3-6个月6个月+4-8周模块化架构三、实战：构建企业级RAG知识中枢的5个关键步骤3.1Step1 #组合优惠专用检索策略defretrieve_combo_policy(query):#步骤1：识别产品组合products=ner_model.extract_products(query)#步骤2： "需三次检索跳跃研究热点：推理增强检索（RAR）框架总结与思考RAG正在从根本上重构企业知识的流动方式：从静态存储到动态智能中枢。
36410编辑于 2026-01-11- 来自专栏AI 创作日记
AI 创作日记 | 图解DeepSeek知识增强，从向量检索到思维链的进化之路
DeepSeek作为一款新兴的大语言模型，通过知识增强技术，实现了从向量检索到思维链的进化，为解决这些问题提供了新的思路和方法。 本文将以图解的方式，深入剖析DeepSeek知识增强的核心机制，带领读者一起探索其从向量检索到思维链的进化之路。 4.2 DeepSeek知识增强 DeepSeek知识增强技术通过引入知识图谱、思维链等技术，实现了从向量检索到思维链的进化。 4.3 对比总结 与传统向量检索方法相比，DeepSeek知识增强技术具有以下几个优点： 信息检索更准确：通过引入知识图谱嵌入和思维链推理技术，DeepSeek知识增强技术能够更好地理解和利用知识图谱中的知识和信息 2、流程图 九、总结 DeepSeek知识增强技术通过引入知识图谱、思维链等技术，实现了从向量检索到思维链的进化，为解决传统大语言模型在处理复杂知识和长文本推理时面临的问题提供了新的思路和方法。
70920编辑于 2025-03-17 检索增强生成（Retrieval-Augmented Generation）
这项技术最初是为了解决知识密集型自然语言处理任务而提出的。 定义 RAG，全称Retrieval-Augmented Generation，中文翻译为“检索增强生成”。 它是一种结合了信息检索和生成模型的技术，旨在通过引入外部知识库的信息，提升生成模型在问答、文本摘要等任务上的表现。 原理 RAG的原理主要包括两个阶段： 检索阶段：模型首先从外部知识库中检索与输入文本相关的信息。这个知识库可以是对大规模文本数据集进行索引处理后形成的数据库。 支持定制化，适应不同领域的专业知识。 缺点： 需要构建和维护外部知识库。 检索和生成两个阶段可能存在信息损失。 对计算资源有一定要求。 对话系统：在对话过程中引入外部知识，使对话更加自然、流畅。 知识图谱构建：通过检索和生成技术，构建丰富、准确的知识图谱。
1.4K10编辑于 2025-04-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号