- 综合排序
- 最热优先
- 最新优先
- 来自专栏大模型技术应用
RAG 技术综述
使用 RAG 管道评估的 ragas 框架表明，信实度指标提高了 5%，意味着微调后的 GPT-3.5-turbo 模型比原版更好地利用了提供的上下文来生成答案。 5% 的提升（与 RAG 的 Llama2 65B 相比），并在常识推理任务上增加了一些百分点。 技术上，它将信息检索与微调、强化学习等技术相结合。从流程上看，RAG 的各个模块被精心设计和调配，形成了多种RAG模式。 但模块化 RAG 并非一蹴而就；它是在前两个范式基础上逐步演化而来的。 发展前景 我们可以预见大模型和RAG技术将会共同进步，并可能融合发展。大模型可能会内置更加高效的检索机制，而RAG技术也会不断优化，使得检索过程更加精准、生成过程更加自然。 目前，包括推荐系统、信息提取和报告生成在内的多种任务已经开始受益于 RAG 技术的应用。 同时，RAG 技术栈也在迅速壮大。
2.1K11编辑于 2024-02-01 - 来自专栏有文化的技术人
静态 RAG 与动态 RAG 技术全解析
❝本文系统介绍静态 RAG 与动态 RAG 的核心原理、技术对比、主流实现方案及代码实践，适合技术选型和深入学习参考。 ❞ 目录 一、RAG 技术概述 二、静态 RAG 2.1 核心原理 2.2 优化技术 2.3 主流实践方案 2.4 代码示例 三、动态 RAG 3.1 核心原理 3.2 主流实现方案 四、Self-RAG 7.1 静态 vs 动态 RAG 7.2 Self-RAG vs CRAG 7.3 选型建议 八、参考资源 一、RAG 技术概述 RAG（Retrieval-Augmented Generation， [Fully Supported][Utility:5] 完整 Self-RAG 系统 from vllm import LLM, SamplingParams from typing import ] # 边定义 } } ) # 列出已有 Agent agents = rag.list_agents() 七、技术对比与选型建议 7.1 静态 vs 动态 RAG 维度
15210编辑于 2026-04-09 - 来自专栏Datawhale专栏
最全梳理：一文搞懂RAG技术的5种范式！
RAG检索增强生成技术自从出现以来经过了多轮范式迭代进展，尤其是随着近几年LLMs的广泛应用，2024年RAG技术呈现爆发态势，全年共计产生了一千篇以上的相关论文。 [2] 图5：RAG技术生态系统总览[2] 1.4 高级RAG 定义： 高级 RAG 引入了具体的改进措施，以克服 Naive RAG 的局限性。为了提高检索质量，它采用了检索前和检索后策略。 核心技术：探讨了GraphRAG系统中使用的核心技术，包括图神经网络（GNNs）和语言模型（LMs）。 5. 训练方法：讨论了检索器和生成器的独立训练方法，以及它们的联合训练策略。 6. Agentic RAG架构分类： 提供了一个详细的Agentic RAG架构分类，包括单代理、多代理和基于图的框架，并探讨了每种架构的特点和适用场景。 5. 5. workflow方面，设计编排一个高效准确的RAG pipeline。 6. 推理运行层面，加速RAG响应时间，降低延迟和开销。 7.
4.1K40编辑于 2025-02-24 - 来自专栏JadePeng的技术博客
RAG 范式、技术和趋势
Trends》 ，RAG 范式、技术和趋势。 随着RAG技术的进一步发展和进化，产生了模块化RAG的概念。在结构上，它更自由、更灵活，引入了更具体的功能模块，如查询搜索引擎和多个答案的融合。在技术上，它将检索与微调、强化学习和其他技术相结合。 技术发展树 RAG 关键技术 数据索引优化 核心是chunk的策略： Small-2-Big 在sentense级别做embedding Slidingwindow 滑动窗口，让chunk覆盖整个文本 RAG 技术栈与工业界实践 当前有LangChain、LlamaIndex、AutoGen等流行的开发框架，可以方便开发RAG应用。 工业界也有很多RAG应用。 总结与展望 RAG 技术框架 RAG 的三个研究热点 RAG 的挑战 长上下文 与FT的协同 如何应用好LLM，充分挖掘利用LLM 提升鲁棒性，比如如何处理错误的召回内容，如何过滤和验证召回内容 RAG
2.1K11编辑于 2024-03-16 - 来自专栏深度学习与python
解码RAG：智谱 RAG 技术的探索与实践
本文整理自 2024 年 5 月 AICon 北京站 【RAG 检索与生成落地实践】专题的同名主题分享。 所以在同样精度的情况下，利用 RAG 技术可以大大地降低整个成本。 智谱 -RAG 解决方案 技术方案 下图是技术方案的全景图 整个技术方案包括三个层面：文件上传、用户提问和答案输出。 top 5 召回达到 100%，而且不同 Embedding 模型微调后的召回差异在 1 个点之内，模型的参数规模影响极小。 SFT & DPO 另外一个挑战是答案生成。 结 尾 展望未来，RAG 技术将会在更多领域得到应用，并与其它 AI 技术相结合，例如多模态交互、个性化推荐、用户长期记忆等。 智谱 AI 将继续致力于 RAG 技术的探索与实践，为企业在更多的领域落地大模型应用，提供更加智能、高效的服务体验。
1.2K22编辑于 2024-06-27 - 来自专栏CoderJia的工作笔记
RAG_Techniques：深入解析GitHub热门RAG技术宝库
本文将带您深入探索GitHub上备受瞩目的RAG_Techniques项目，这是目前最全面的RAG技术集锦之一，为研究人员和实践者提供了丰富的高级技术实现和示例。 （RAG）技术 技术栈：Python、LangChain、LlamaIndex、各种LLM模型 开源许可证：自定义非商业许可 收藏数：15.9k（截止到2050506） RAG_Techniques 由 RAG技术简介与重要性 检索增强生成（RAG）结合了信息检索与生成模型的优势，使AI能够访问和利用外部知识生成回答。 分类清晰的技术体系 RAG_Techniques 项目将 33 种技术分为几大类别，使开发者能够根据需求快速定位： 基础技术（Foundational） - 包括基本 RAG、CSV 文件集成的 RAG 前沿技术解析 项目中包含了多种前沿RAG技术，以下是几个特别值得关注的： Self-RAG - 一种动态方法，能够自适应地决定是否使用检索的信息以及如何最好地利用它生成响应。
1.1K21编辑于 2025-05-07 - 来自专栏自然语言处理
RAG5个常见错误
向量数据库并非硬性规定 几乎互联网上所有关于RAG的教程都使用向量存储。如果你一直在搜索RAG相关内容，你就会明白我们在说什么。 基于向量的检索无疑是RAG成功的重要因素。 从定义上讲，所有这些都是RAG。 然而，确定使用哪些数据源的过程并不是很直接。你需要尝试各种选项，了解每种方法的优缺点。接受或拒绝某个想法的原因可能受到技术和业务考虑的双重影响。 这是一个需要考虑的技术原因。 然而，让LLM运行SQL查询可能导致SQL注入攻击。这既是技术问题也是业务顾虑。 向量数据库对语义检索也很有效。 分块是RAG中最具挑战性和最重要的部分 当上下文中包含不相关信息时，LLM往往会失控。 防止RAG中出现幻觉的最佳方法是分块。 现代LLM可能支持更长的上下文长度。 这里的挑战在于有许多分块技术。每种技术都有自己的优缺点。对你的领域最有效的方法可能对其他领域不起作用。 递归字符分块可能是最简单的，也是我们的默认选择。
27110编辑于 2025-04-26 - 来自专栏自然语言处理
5个开源RAG框架对比
还在为RAG应用开发头疼吗？别急，今天给大家推荐五款完全开源免费的RAG框架，覆盖自动优化、多模态处理、本地部署、生产环境支持等多种场景，助你轻松搞定RAG开发！ 1. AutoRAG：自动优化，省心省力 核心优势：自动寻找最优RAG流程，告别手动调参！ ✨ 特色功能：支持用你的评估数据测试不同RAG模块，找到最适合的方案。 适用场景：适合需要优化RAG系统性能的开发者。 https://github.com/Marker-Inc-Korea/AutoRAG 2. ✨ 技术亮点： 使用@ollama运行本地LLM模型 采用@qdrant_engine作为本地向量数据库 适用场景：适合注重数据隐私、需要本地化部署的团队。 适用场景：适合企业级应用部署，需要稳定可靠的RAG框架。 https://github.com/truefoundry/cognita 5.
3.7K11编辑于 2024-12-31 - 来自专栏架构之巅
大模型相关技术-初识RAG
java程序员肯定就会想到写个filter或者intercepter，RAG就是在做类似的事情，只不过流程更加复杂。 RAG是什么 检索增强生成（RAG）是对大型语言模型输出进行优化的方法，使其能够在生成响应之前引用训练数据来源之外的权威知识库。 为什么需要RAG 大模型在没有答案的情况下提供幻象数据，也就是胡说八道。 当用户需要特定的当前响应时，提供过时或通用的信息，模型提供的最新信息为训练模型时的数据。 敏感词、停止词过滤 RAG的基石：向量数据库 复习一下向量的概念：在几何中一个同时具有大小和方向的对象就叫向量，还有一个定义大家可能更加熟悉，“既有大小，又有方向的量叫做向量”。 - 哔哩哔哩 (bilibili.com) 我正在参与2024腾讯技术创作特训营最新征文，快来和我瓜分大奖！
71241编辑于 2024-04-28 - 来自专栏深度学习与python
RAG 技术真的“烂大街”了吗？
在这一领域中， RAG 技术将传统信息检索技术与大语言模型技术相结合，为知识理解、知识获取提供了全新的解决方案。然而，尽管 RAG 在很多任务上表现出色，其在深度应用上仍面临诸多挑战。 总结来说，我认为 RAG 技术的关键还是要有爆款产品，而从事 RAG 技术的人的关键是解决其基本问题，让 RAG 技术在这些爆款产品中可用，满足用户的期望体验。 RAG 技术未来展望 郭瑞杰： 前面 3 个话题主要讨论了 RAG 技术的现状、应用情况、高级 RAG 技术解法等，最后，咱们聊聊 RAG 技术未来的发展方向，有哪些新兴的技术和方法可能会给 RAG 随着大模型能力的不断升级，例如未来可能出现的 GPT-5 或其他更高级、具备推理能力的模型，它们的到来可能会对我们目前 RAG 的检索行为产生影响。 这些新兴技术和方法可能会给 RAG 技术带来新的冲击和发展机遇，推动 RAG 技术在更多领域和场景中的深度应用，并实现更高的性能和可用性。
76610编辑于 2024-07-24 - 来自专栏大语言模型
RAG到DeepResearch技术路线实践
同时也能明显感受到仅仅靠RAG技术已经完全满足不了用户的需求了，本文就介绍 从RAG到DeepResearch，我们的技术实践之旅。 话不多说，先上技术路线图： 1. （关于上下文工程和RAG的关系后面单开一篇~） 对于通用知识，大模型底座已经具备。但要让它懂“你的业务”，能回答“你的问题”，就必须构建属于"你的知识库"，然后上RAG技术，RAG就是输入优化技术。 RAG相关技术我在之前分享的文档中其实已经介绍多次，本文就不做过多技术介绍。 （5）多模态能力扩展 目前在检索多模态功能上，少有开源模型涉及，而我们在 RAG 项目中已构建完整的多模态检索能力，得以顺利扩展到 DeepResearch 流程中 此外，在企业真实应用场景中，我们发现每个业务对 5. 多模态 在多模态方向，我们的技术探索主要聚焦在三个核心能力：理解、生成、推理加速。
66396编辑于 2025-12-05 - 来自专栏TechLead
RAG技术架构与实现原理
本文详细解析了RAG技术，包括其定义、作用、技术架构和检索模块的实现与优化，全面展示了RAG在自然语言处理中的重要性和广泛应用前景。 关注TechLead，复旦AI博士，分享AI领域全维度知识与研究。 一、RAG的定义和作用 RAG的定义 Retrieval-Augmented Generation（RAG）是一种结合了检索和生成技术的自然语言处理（NLP）模型。 RAG的应用场景 RAG技术在多个领域中展现了其强大的应用潜力，以下是一些典型的应用场景： 开放域问答 在开放域问答任务中，RAG通过检索相关文档并生成基于这些文档的回答，能够处理范围更广、问题更复杂的用户提问 二、RAG的技术架构 RAG模型整体架构 RAG（Retrieval-Augmented Generation）模型的技术架构包括两个主要部分：检索模块（Retriever）和生成模块（Generator 技术架构图 以下是RAG模型的技术架构图，展示了检索模块和生成模块的工作流程： 输入查询 │ ▼ 检索模块 │ ├──> 文档1 │ ├──> 文档2
9.5K10编辑于 2024-07-15 - 来自专栏Reinvent Data Science
RAG 修炼手册｜一文讲透 RAG 背后的技术
今天我们继续剖析 RAG，将为大家详细介绍 RAG 背后的例如 Embedding、Transformer、BERT、LLM 等技术的发展历程和基本原理，以及它们是如何应用的。 01. Embedding 是将离散的非结构化数据转换为连续的向量表示的技术。 这强大的功能背后，是从人类反馈中强化学习（Reinforcement Learning from Human Feedback，RLHF）等技术的支持，通过这些技术使得它和人类的对话更让人满意。 好在，我们可以使用 Retrieval Augmented Generation (RAG) 技术解决产生幻觉，和无法实时更新知识这两点不足。 RAG 是结合向量数据库和 LLM 的一项技术应用，关于 RAG 的介绍以及优化技巧，可以参考其它的文章。 03.
2.5K33编辑于 2024-04-11 - 来自专栏windealli
LLM RAG 技术剖析与演进
什么是RAG RAG（Retrieval-Augmented Generation，检索增强生成） 是一种将大语言模型（LLM）与模型外知识库检索相结合的技术架构。 RAG的核心步骤 RAG 的核心步骤如下图所示（图片来自网络） 知识库预处理（索引） 在 RAG 提供服务之前，需要先将知识库落库、简历索引。 关键技术： 混合检索：结合向量检索（如 rank_model_type="bge" 的 BGE 模型）与关键词检索（如 search_engine="sogou"），提升召回多样性。 Graph RAG（图增强 RAG） 核心改进：引入图结构（如知识图谱）增强知识表示与推理能力。 关键技术： 图化知识库：将文档中的实体、关系构建为图结构，支持多跳推理。 5. Agentic RAG（智能体化 RAG） 核心思想：引入自主智能体（Agent）动态控制 RAG 流程。 关键技术： 调用 search_engine="sogou" 或向量检索。
1.3K10编辑于 2025-03-12 - 来自专栏老张的求知思考世界
RAG技术的三大范式和技术演进
前面的文章中，为大家介绍过大模型领域的核心技术：RAG(Retrieval-Augmented Generation)，即检索增强生成。 从2022年底ChatGPT横空出世以来，大模型的信息幻觉(生成错误信息)、知识过时、推理过程不透明等问题，一直困扰着业内各方技术人员，直至RAG技术出现，才算缓解了这个难题。 》，对RAG的三大范式演进(基础RAG、高级RAG、模块化RAG)和检索、生成与增强三大核心组件的关键技术进行了深入探讨。 一、RAG的三大技术范式 1、基础RAG(Naive RAG) 流程：索引(Indexing)→ 检索（Retrieval）→ 生成(Generation)。 二、RAG的核心技术组件 1、检索优化 数据源选择：结构化数据(数据库表)与非结构化数据(文本、PDF)的混合使用。
1K11编辑于 2025-05-23 - 来自专栏老张的求知思考世界
基于LangChain实现RAG的技术原理
我们常见的各种ChatBot(即聊天机器人)，就是基于这种技术原理实现的。与之相关的技术框架，常见的有如下几种： LangChain：开源框架，提供了丰富的组件和工具，用于构建RAG系统。 LLama-Index：专为LLama模型设计的RAG框架，适用于特定场景下的应用。 RAGFlow：一个较新的RAG框架，注重简洁性和效率，提供预设组件和工作流。 Haystack：一个常用的开源框架，支持向量存储和编排层，是RAG系统的重要组成部分。 GraphRAG：专注于大模型驱动的RAG技术，通过优化向量库构建与推理性能来提升RAG系统的效率。 文本向量化：将切割后的文本小块，通过EMB(数据拆分和映射)技术转换为算法可以处理的向量，并存入向量数据库。 问句向量化：将用户的提问内容进行向量化处理(切割+拆分+映射)。 按照技术领域的通用测试原则，需要构建评测集(即IT技术领域的测试用例)，对其展开评测。 评测集需要满足如下几点要求： 可以理解用户提问内容。 可以匹配正确的知识库内容。
55500编辑于 2025-05-17 - 来自专栏人工智能
检索增强生成（RAG）技术详解
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 ↓ ['retrieved_docs'] } # ==================== 高级RAG技术 ==================== class HybridRAG """, """ 计算机视觉是使计算机能够理解和解释视觉信息的技术。 应用包括人脸识别、物体检测、图像分割和自动驾驶中的视觉感知。 ") # RAG技术对比表 print("\n" + "="*70) print("RAG技术对比") print("="*70) comparison_table 随着向量数据库、嵌入模型和LLM的不断发展，RAG将成为知识密集型AI应用的核心架构。 掌握RAG技术，开发者可以构建更准确、可靠、可解释的AI应用，满足企业级应用的需求。
1.1K10编辑于 2026-01-21 RAG—Chunking策略实战｜得物技术
一、背 景在 RAG 系统中，即便采用性能卓越的 LLM 并反复打磨 Prompt，问答仍可能出现上下文缺失、事实性错误或拼接不连贯等问题。 某种意义上，分块质量几乎决定了RAG的性能上限——它决定知识是以连贯的上下文呈现，还是退化为无法拼合的碎片。 目标：为RAG检索创建高内聚、可追溯的块。 从 JSON 字符串到 Java 对象：Fastjson 1.2.83 全程解析｜得物技术5. 用好 TTL Agent 不踩雷：避开内存泄露与CPU 100%两大核心坑｜得物技术文 /昆岚关注得物技术，每周更新技术干货要是觉得文章对你有帮助的话，欢迎评论转发点赞～未经得物技术许可严禁转载，否则依法追究法律责任
1.1K10编辑于 2025-10-30- 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。 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。 小编是一名热爱人工智能的专栏作者，致力于分享人工智能领域的最新知识、技术和趋势。这里，你将能够了解到人工智能的最新应用和创新，探讨人工智能对未来社会的影响，以及探索人工智能背后的科学原理和技术实现。 我正在参与2024腾讯技术创作特训营最新征文，快来和我瓜分大奖！
1.1K10编辑于 2024-05-11 - 来自专栏菩提树下的杨过
langchain4j 学习系列(5)-RAG
继续我们的langchain4j之旅，今天来看看RAG如何实现，“RAG萌宠新手盆友们”建议先看看B站大佬的视频RAG 工作机制详解—哔哩哔哩_bilibili，核心步骤就是下面这3张图： 最简单的RAG prompt_eval_count":11} 3、重排/生成 private interface Assistant { String chat(String userMessage); } /** * 基于RAG "done_reason":"stop","total_duration":1059949995,"prompt_eval_count":21,"eval_count":22} 从日志上看，先做了1次RAG
27610编辑于 2025-12-24
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