- 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。 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。 ，传说中做知识库属它最牛逼，但是使用体验下来真的就是资源占用太大了，对准确率高的资源不在乎的可以尝试配置学习试试，这个也通过和 dify 结合进行使用，网上有相关教程可以参考，将 ragflow 直接外挂给
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。 这个“先查资料再回答”的过程，就是 RAG（检索增强生成）的核心！ 具体来说，RAG 就是让 AI 学会“先查资料再说话”。 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。 3.2.3 生成答案 上下文拼接：把检索到的 3-5 个相关段落（如奥运会历史背景、2024 年主办城市信息）和用户问题一起喂给大模型。
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. retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 5}) # 创建生成模型 llm 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
什么是RAG RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索技术与生成式大模型（LLM）的AI框架。 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. 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. 弥补模型知识局限：生成模型本身的知识受限于训练数据，而RAG通过检索弥补了这一不足。 5. 复杂性问题 系统复杂性高：RAG需要同时维护检索模型、生成模型和知识库，系统架构和调试复杂度较高。 调试难度大：检索和生成两个模块的协同工作可能导致问题定位和优化更加困难。 5.
1.8K10编辑于 2025-05-31RAG检索增强生成
>本节目标：掌握RAG的完整架构与实现，让大模型能基于你的私有知识库来回答问题，解决幻觉和知识过时的问题。一、为什么需要RAG？ 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 ──否──→重新生成│││是││▼││输出回答│└────────────────────────────────────────────────────┘四、GraphRAG（知识图谱增强RAG）4.1 ",search_kwargs={"k":3}#返回最相关的3个块)#5.定义Prompt模板prompt=ChatPromptTemplate.from_template("""你是一个专业的知识库问答助手
30911编辑于 2026-05-02- 来自专栏自然语言处理
检索增强生成 (RAG) 的 5 大 提示词，非常实用！
(高手略过) 从去年到现在，检索增强生成（RAG）这套玩法越来越火。简单来说，它就是让大型语言模型（LLM）结合外部数据，确保回答更准确、不胡说八道（减少“幻觉”）。 接下来，我们就看看 5 种超实用的提示词模板，帮你让 RAG 生成的答案又稳又准！ 2️⃣ 检索相关内容：从知识库中找到匹配的信息片段。 3️⃣ 组合提示词：把优化后的问题和检索到的内容放进提示词里。 4️⃣ 让 RAG 生成答案：确保 RAG 回答时紧扣检索内容，不添油加醋。 ✅ 多来源整合，提高准确性：如果 RAG 检索到的内容较多，这种方式能帮助它全面整合，不遗漏重要细节。 ✅ 提供数据来源，增强可信度：像研究论文一样，引用来源让读者更信任答案的可靠性。 清理和整理 RAG 数据源 RAG 的输出质量，取决于它能检索到的内容。如果知识库中存在不相关或低质量的文档，模型可能会被误导，给出错误或冗余的回答。因此，定期清理数据源至关重要。
2.3K11编辑于 2025-03-15 - 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。 0.45486518 1 7 cosine 0.32604815 2 5 0.02608923 2 7 cosine 0.00797609 3 5 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)？
检索增强思维 (RAT) 是一种创新性的方法，它结合了两种关键技术：检索增强生成 (RAG) 和思维链 (CoT) 提示。大型语言模型 (LLM) 因其模仿人类写作和流畅回答问题的能力而变得流行。 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。 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)。 检索： RAT 根据解释从外部知识库（Library）检索相关信息。 修订： LLM 通过整合检索到的信息来修订其思维链 (T1)。
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。 5 结果 盲式VaLM在VLU、NLU和LM任务上与VaLM相匹配。表1显示了在相同设置上训练的盲式VaLM和VaLM的结果，如附录B所述。 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。 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。 {tuple_delimiter}5){record_delimiter} ("relationship"{tuple_delimiter}"Taylor"{tuple_delimiter}"The Device
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。 融合：将输入查询的表示与检索到的文档表示结合起来，作为生成模型的输入。生成：使用生成模型（如 T5 或 BART）生成回答或相关内容。 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。 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 - 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 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。 沉淀故障案例300+，同类故障重复率下降75%，核心知识企业级沉淀；3. 搭建新人胜任力培训体系，上岗周期缩至5天，培训成本降低60%；4. 跨部门协同效率提升80%，设备迭代周期缩至5天。
52611编辑于 2026-03-12- 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 =================== 主程序 ==================== def main(): print("="*70) print("RAG检索增强生成系统演示")
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。 文章包含3个Mermaid架构图、5段核心代码、3组对比表格，助力企业告别知识管理“盲人摸象”时代。 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 ：政策更新5分钟生效成本可控：无需千万级训练资源风险隔离：幻觉率降至0.3%以下行动建议：立即评估现有知识库的“幻觉率”用langchain+ChromaDB搭建最小验证系统建立置信度监控仪表盘遗留问题思考
46610编辑于 2026-02-27RAG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。 文章包含混合检索策略、动态知识更新机制、多模态RAG等前沿解决方案，并提供5个可落地的代码实现（涵盖基础搭建到生产级优化）。 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 "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 - 来自专栏云云众生s
提高检索增强的相关性
构建采用检索增强生成(RAG)的生成式AI应用程序可能面临各种挑战。让我们来看看依靠向量数据库检索相关上下文，然后将其融入提示送入大语言模型(LLM)，以提供更相关结果的RAG实现的故障排除。 他们经常发现使用Word2Vec、sBERT和RoBERTa等嵌入模型的样本代码，而这些模型对于检索用例来说是糟糕的选择。 因此，不仅在基准用例的检索性能方面略胜一筹，而且还以较低的存储和计算需求从向量数据库角度获得了这些改进的结果。 相反，更大的上下文窗口允许更大的灵活性，即使并非所有内容都严格必要，也可以包含可能增强模型输出的额外上下文。 通过实验这些分块策略并考虑这些因素，您可以评估它们对生成输出相关性的影响。 假设您在知识库中为200篇文章建立了索引嵌入。如果您可以以1%的准确率识别最近的邻居，那么找到非常相关的结果的可能性很高，因为1%代表200篇文章中的前两篇文章，您将获得这两篇文章之一。
55710编辑于 2024-03-28
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