- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI进修生
HybridRAG：混合 RAG 引擎 - 知识图谱 + 向量检索！比 GraphRAG 更好！
例如 GraphRAG 使用知识图谱来表示实体和关系，提供了一种结构化的信息检索方法，但它缺乏全面的召回能力。 这一过程包括信息提取，如识别实体和关系，并通过填补知识图谱中的空白和解决冗余来改进它。这样它可以适应知识，并由表示实体的各种节点和表示关系的边组成。 GraphRAG 阶段：接着使用 GraphRAG 利用知识图谱来补充和优化之前获取的上下文。这一步能够通过知识图谱提供更丰富的语义信息，从而生成更准确的答案。 为了解决这个问题，我们看到了混合 RAG，它结合了知识图谱和传统 RAG 技术来更好地进行信息提取。 v=rtmDQO3ESoE [2] arxiv：https://arxiv.org/abs/2408.04948#
3.7K02编辑于 2024-12-02 腾讯云大模型知识引擎：以DeepSeek+RAG技术攻克企业知识管理难题
腾讯云大模型知识引擎基于OCR大模型打造解析引擎，支持超过26类文档类型，成为业界首个支持200MB以上超大文档的系统。 构建三重应用模式适配多元业务场景 标准模式集成RAG能力，通过DeepSeek模型实现知识问答精准匹配。 车企客服独立解决率实现127%跨越式增长 某头部车企集成大模型知识引擎后，智能客服机器人独立解决率从37%提升至84%。 电商企业行政问答准确率达89% 某头部电商将大模型知识引擎集成到内部IM系统，员工通过对话形式高效检索IT/HR等企业知识。 数据来源：腾讯云大模型知识引擎产品文档及客户案例实测数据
11510编辑于 2026-05-30- 来自专栏AI相关
再谈RAG与向量存储引擎
上一篇文章我们讲述了向量和向量数据库的基本概念，并且尝试使用Milvus向量数据库实现RAG，向量数据库是AI大模型不可或缺的“长期记忆体”和“事实校验器”，通过RAG等技术，将大模型的强大生成能力与精准的外部知识结合 在传统程序架构中，为了实现存储和检索除了常用的DBMS以外还可以使用缓存和搜索引擎等技术，那么在AI Agent中想要实现RAG除了向量数据库以外还有没有其他方式？答案的有的。 不仅如此，其实向量这一概念在计算机人工智能技术中也早就出现了，这篇文章我们就来探究一下向量的发展史，以及使用传统向量存储引擎Elasticsearch实现RAG，讨论它与Milvus向量数据库有哪些不同 3）搜索引擎扩展：利用Elasticsearch的自定义脚本实现向量相似度计算，但属线性扫描，仅适用于极小数据集。这些方案普遍存在数据一致性差、无法实时更新、扩展性弱的问题。 无论采用哪种技术方案，RAG的根本目标始终一致：通过外部知识检索来增强大语言模型，缓解其知识陈旧与幻觉问题，从而提供更准确、可信的答案。
35210编辑于 2026-02-07 TextIn文档树引擎，助力RAG知识库问答检索召回能力提升
TextIn团队研发了文档树引擎这一关键技术，针对性提升标题检测能力。物理版面分析技术支持对目标区块的检测与元素识别，并利用标题区块的高度（即字号）判断一级、二级、三级、......N级标题。 在此基础上，文档树引擎从语义出发，增强了标题识别率与召回率。 TextIn文档树引擎遵循以下路径工作：一、输入 整份文档的段落内容，以序列化形式传入模型 二、预测 提取当前段落的embedding值 预测每个段落和上一个段落的关系，分为子标题、子段落、合并、 3、滑动窗口切分：创建一个重叠的滑动窗口，比如设置窗口大小为500，步长为100。 目前，TextIn文档解析工具已在RAG知识库问答中发挥重要功能，文档树引擎在年报、财报、行研报告等金融文件领域展现了较为明显的优势。
78610编辑于 2024-08-13- 来自专栏AI大模型应用开发炼丹房
破解大语言模型三大死穴：RAG如何成为AI的实时知识引擎
RAG的检索增强生成（Retrieval-Augmented Generation, RAG）技术，一直是不少人研究和优化的方向，RAG通过整合外部知识库来增强模型能力，特别适用于实时性、准确性和专业深度要求高的企业场景 重新训练模型以更新知识成本高昂（数百万至数亿美元），且可能引发灾难性遗忘问题。RAG通过外接动态知识库（如公司文档系统或新闻API）来解决这一矛盾。 3、通用知识与专业深度矛盾：通用LLM缺乏企业或行业的内部知识（如公司SOP或工业设备故障手册）。 ps：关于RAG检索增强生成的技术优化，其实之前我也写过很多，这里就不再过多展示，我这里把之前的一些技术文档整理给粉丝朋友，点个小红心自行领取：《检索增强生成（RAG）》总结RAG并非替代LLM，而是通过动态知识库 未来，随着向量数据库和嵌入模型的优化，RAG将继续成为企业级AI的核心支柱，其核心逻辑——以检索事实约束生成——将确保AI从演示工具进化为生产力引擎。
85810编辑于 2025-09-05 - 来自专栏Go语言学习专栏
3 - RAG 知识库基础 - AI 超级智能体项目教程
本节重点 通过为 AI 面试助手应用添加知识问答功能，入门并实战企业主流的 AI 开发场景 —— RAG 知识库，掌握基于 Spring AI 框架实现 RAG 的两种方式。 具体内容包括： AI 面试助手问答需求分析 RAG 概念（重点理解核心步骤） RAG 实战：Spring AI + 本地知识库 RAG 实战：Spring AI + 云知识库服务 友情提示：由于 AI 举个例子，我们要从搜索引擎查询 “程序员模拟面试社区” 时，召回阶段会从数十亿网页中快速筛选出数千个含有 “面试”、“社区”、“程序员” 等相关内容的页面，为后续粗略排序和精细排序提供候选集。 由于是第一个 RAG 程序，我们参考标准的 RAG 开发步骤并进行一定的简化，来实现基于本地知识库的 AI 知识问答应用。 3、向量转换和存储 为了实现方便，我们先使用 Spring AI 内置的、基于内存读写的向量数据库 SimpleVectorStore 来保存文档。
44710编辑于 2026-03-17 - 来自专栏深度学习与python
谷歌Vertex AI推出新的RAG引擎
；基于用户提示词从知识库中检索相关信息；最后是生成内容，将原始用户查询与检索到的信息结合，生成最终输出。 在设置 Google Cloud 项目并初始化 Vertex AI 引擎后，你可以使用 upload_file 或 import_file 方法快速从本地文件、Google Cloud Storage (publisher_model=EMBEDDING_MODEL) rag_corpus = rag.create_corpus( display_name="my-rag-corpus", embedding_model_config=embedding_model_config ) rag_file = rag.upload_file( corpus_name=rag_corpus.name ("What is RAG?")
69600编辑于 2025-02-06 - 来自专栏山行AI
RAGFlow-一款开源的RAG引擎
RAGFlow[1] 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。 RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。 全程无忧、自动化的 RAG 工作流 •全面优化的 RAG 工作流可以支持从个人应用乃至超大型企业的各类生态系统。•大语言模型 LLM 以及向量模型均支持配置。•基于多路召回、融合重排序。 新增功能 •2024-04-16 添加嵌入模型 BCEmbedding[3] 。•2024-04-16 添加 FastEmbed[4] 专为轻型和高速嵌入而设计。 https://demo.ragflow.io/ [2] 深度文档理解: https://github.com/infiniflow/ragflow/blob/main/deepdoc/README.md [3]
13.4K21编辑于 2024-04-18 【RAG新范式】超越向量搜索：企业级知识库构建必知的3大RAG高级策略
#【RAG新范式】超越向量搜索：企业级知识库构建必知的3大RAG高级策略摘要：本文深度剖析企业级知识库构建中RAG（检索增强生成）技术的进阶实践。 文中包含5段可直接落地的Python代码实现，3张架构演进图示，以及企业级部署的性能对比数据表。阅读后您将掌握：如何将RAG召回率提升37%，推理成本降低52%，并构建支持千亿级文档的工业级知识引擎。 二、RAG技术演进：从基础架构到工业级实践2.1RAG核心机制解析检索增强生成（Retrieval-AugmentedGeneration）通过动态检索外部知识库来增强大语言模型的生成能力。 图像与文本的语义鸿沟仍达32%行动建议：立即实施查询改写与混合检索在知识库超过50万文档时必须引入分层压缩监控仪表盘需包含幻觉率与知识覆盖率最终提醒：RAG不是银弹，但没有RAG的LLM如同没有地图的探险家 您准备好升级知识引擎了吗？
51410编辑于 2026-02-06- 来自专栏大数据杂货铺
使用知识图谱实现 RAG 应用
构建出色的 RAG 应用程序或聊天机器人时面临的挑战是处理结构化文本和非结构化文本。 接下来，我们将演练一个场景，展示如何使用 LangChain 实现基于知识图谱的 RAG 应用程序来支持您的 DevOps 团队。该代码可在 GitHub 上获取。 开发 DevOps RAG 应用程序时，您可以从云服务、任务管理工具等获取信息。 将多个数据源组合成知识图谱 由于此类微服务和任务信息不公开，因此我们创建了一个综合数据集。 url = "https://gist.githubusercontent.com/tomasonjo/08dc8ba0e19d592c4c3cde40dd6abcc3 RAG 应用程序中的矢量相似性搜索 从向量索引中检索到的信息可以用作大语言模型的上下文，以便它可以生成准确且最新的答案。 这些任务已经在我们的知识图谱中了。但是，我们必须计算嵌入值并创建向量索引。
3K10编辑于 2024-04-03 从RAG到Agent：腾讯乐享“知识虾”重塑企业级智能知识库与生产力引擎
数据与观点来源： 腾讯全球数字生态大会·城市峰会 主讲人： 杨志强（腾讯乐享商业化负责人） 一、 突破传统知识管理瓶颈：消除数据孤岛与AI“幻觉”陷阱 企业落地AI的核心在于“知识库+大模型+Agent ”的三驾马车协同，缺少企业自有知识库支撑的AI仅是缺乏业务价值的“玩具”。 内容陈旧与运维成本高： 存量文档数量庞大（如动辄数万条的工业设备知识），人工排查与审核成本极高，导致知识库充斥错误参数与过时数据，可信度极低。 二、 构建“知识库+大模型+Agent”三位一体架构：重塑工作流 为解决上述痛点，腾讯乐享推出“知识虾”，通过全景能力将AI从单纯的“问答助手”升级为深度参与业务的“工作伙伴”。 通过智能查重、AI评审、冲突检测等机制完成知识的深度加工。
73910编辑于 2026-04-01- 来自专栏AI进修生
Verba：终极 RAG 引擎 - 语义搜索、嵌入、矢量搜索等！
Aitrainee | 公众号：AI进修生 在本文中，我们将深入探讨 Verba，这是一款革命性的开源 rag 引擎。 解决文档中的问题，交叉引用多个数据点，或从现有知识库中获取见解。Verba 结合了最先进的 RAG 技术与 Weaviate 的上下文感知数据库。 功能列表 模型支持 实现情况 描述 Ollama（如Llama3） ✅ 由 Ollama 提供的本地嵌入和生成模型 HuggingFace（如MiniLMEmbedder） ✅ 由 HuggingFace RAG 管道 缺少什么内容？ 3. 开始查询您的数据，通过 Verba 的检索增强生成技术获取见解。 您可以参考 快速开始视频 了解更多。 已知问题 • 某些模型在特定数据集上表现不佳。 • 高并发请求可能导致响应时间较慢。
95700编辑于 2024-12-02 - 来自专栏AI进修生
GraphRAG：终极 RAG 引擎 - 语义搜索、嵌入、矢量搜索等等！
Aitrainee | 公众号：AI进修生 解锁 GraphRAG 的力量：用于高级语义搜索、嵌入、矢量搜索等的终极 RAG 引擎！ RAG（Retrieval-Augmented Generation）是一种自然语言处理方法，通过外部知识增强现有的大型语言模型，以便在回答需要特定知识的问题时，提供更相关的答案。 与简单的文本搜索方法不同，GraphRAG使用知识图谱来提取和组织信息，从而提高响应的准确性和相关性，尤其是在处理复杂或私密的数据集时。 代码库指南 此代码库展示了如何利用知识图谱记忆结构来增强 LLM 输出。请注意，提供的代码仅作为示范用途，不是微软官方支持的产品。 v=kHZHMzv3Shg 参考链接： Github Repo：github.com/microsoft/graphrag 博客文章：microsoft.github.io/graphrag 项目页面：
2.8K10编辑于 2024-12-02 大模型+知识库rag项目架构
而“知识库”则是指存储大量结构化或半结构化数据的系统，这些数据可以用于支持决策、提供信息查询等服务。 将大模型与知识库结合的项目架构（RAG项目架构）可能指的是一种结合了检索（Retrieval）和生成（Generation）的架构，即RAG（Retrieval-Augmented Generation RAG架构的一般流程如下：检索阶段（Retrieval）：首先，系统会从知识库中检索出与输入查询相关的信息。这可以通过关键词匹配、语义搜索或其他相关性度量来实现。 在实际应用中，RAG项目架构可以根据不同的应用场景和需求进行定制和优化。例如，检索系统可以使用不同的搜索引擎或推荐系统，而生成模型可以是传统的语言模型，也可以是专门为特定任务训练的模型。 如果你有关于RAG项目架构的具体问题，或者需要了解如何在特定的应用场景中实现这种架构，请提供更多的上下文信息，我会尽力提供帮助。
1.1K10编辑于 2024-04-19- 来自专栏程序员
揭秘RAG的核心引擎：Document、Embedding与Retriever详解
在人工智能的浪潮中，检索增强生成（RAG）技术以其卓越的能力，成为了处理知识密集型任务的关键。 一、Document（文档）：知识的基石1.是什么？Document是RAG系统中的基本知识单元，是信息的载体。 简单来说，Document就是RAG系统的“藏书”，而切分（Chunking）就是将厚厚的书籍整理成一张张便于查阅的“知识卡片”。 Retriever是搜索引擎和调度中心，它利用Embedding提供的“语义地图”，高效地完成知识的定位与召回。这三者环环相扣，缺一不可。 正是它们精妙的配合，使得RAG系统能够突破LLM自身知识的局限，成为一个动态、可靠且可追溯的智能问答系统，为企业级AI应用打开了无限可能的大门。理解它们，是理解和优化任何RAG系统的第一步。
47610编辑于 2025-09-28 - 来自专栏CSDN小华
Unity引擎基础知识
Unity引擎是一款由Unity Technologies公司开发的跨平台游戏开发工具，广泛应用于2D和3D游戏的创建。 它提供了丰富的API和工具，使得开发者能够轻松地创建交互式的3D场景和应用程序。 Unity基础知识概要 1. 创建工程 在Unity中，首先需要通过Unity Hub创建一个新的项目。 在Unity中实现高级UI设计和交互，需要掌握多个方面的知识和技能。 可以通过官方手册或相关教程来学习这些基础知识。 参考和应用实际的示例和源代码可以加深理解。 《忍者战僵尸》 ：这款游戏展示了Unity3D引擎在跑酷类游戏开发方面的强大能力，同时也为开发者提供了一个很好的学习案例。
1.7K10编辑于 2024-10-16 - 来自专栏JadePeng的技术博客
知识图谱增强的KG-RAG框架
/KG_RAG），该框架利用生物医学知识图谱SPOKE与大型语言模型相结合，有效的提升了LLM在医疗领域的问答效果。 KG-RAG框架介绍 KG-RAG框架，较好的结合了生物医学知识图谱SPOKE和LLM的优势。 相关测试结果： 工作原理 KG-RAG框架的工作原理包括以下步骤： 实体识别：从用户输入的query中识别出疾病实体，然后在SPOKE知识图谱中找到相应的节点。 通过这种方法，KG-RAG框架能够有效地从专业文本中提取和识别疾病实体，并将其与丰富的生物医学知识库相连接，从而生成准确、可靠的生物医学相关信息。 通常情况下，可以查询1~3跳内的三元组信息，这里借助图数据库可以比较容易的实现。
2.5K10编辑于 2024-04-12 - 来自专栏JadePeng的技术博客
知识图谱在RAG中的应用探讨
在这篇文章中，我们来详细探讨知识图谱（KG）在RAG流程中的具体应用场景。 缘起 关于知识图谱在现在的RAG中能发挥出什么样的作用，之前看了360 刘焕勇的一个分享，简单的提了使用知识图谱增强大模型的问答效果的几个方面： 在知识整理阶段，用知识图谱将文档内容进行语义化组织； 在意图识别阶段 阶段2/D：chunk提取 阶段3-5：后处理，用检索到的信息生成答案 查询增强（Query Augmentation）** 预处理 阶段 ，这里主要 在执行检索之前，向查询添加上下文。 关于“胆碱酯酶抑制剂”的相关信息块提取规则有助于指导查询引擎提取最有用的chunks。 文档层次结构帮助查询引擎快速识别与副作用相关的文档，并开始提取文档内的chunk。 总结 知识图谱KG如何更好的利用在RAG里，是一个值得深入探讨的好话题，本文探讨了知识图谱在RAG不同阶段能产生的作用，不妨去试一试，后续我们会基于一些案例来实际探讨。
1.4K10编辑于 2024-04-11 - 来自专栏XINDOO的专栏
Agent设计模式——第 14 章：知识检索（RAG）
知识检索（RAG）模式概述 知识检索（RAG）模式通过在生成响应之前授予 LLM 访问外部知识库的权限，显著增强了它们的能力。 cat"这个词可能用坐标 (2, 3) 表示，而"kitten"将非常接近，坐标为 (2.1, 3.1)。相比之下，"car"这个词将有一个远距离的坐标，如 (8, 1)，反映其不同的含义。 总之，检索增强生成（RAG）模式代表了使 AI 更加知识渊博和可靠的重大飞跃。通过将外部知识检索步骤无缝集成到生成过程中，RAG 解决了独立 LLM 的一些核心局限。 当被提示关于时事时，RAG 系统检索最近的文章，使 LLM 能够生成最新的摘要。 通过整合外部知识，RAG 将 LLM 的能力从简单通信扩展到作为知识处理系统发挥作用。 视觉摘要 ** ** 知识检索模式：AI agent 从结构化数据库查询和检索信息 ** ** 图 3：知识检索模式：AI agent 响应用户查询，从公共互联网查找和综合信息。
1.5K10编辑于 2025-10-27 RAG 知识库的四个段位
这让我想起了最近在技术圈热议的话题：RAG技术到底该怎么选？ 说白了，RAG就是让AI从"闭卷考试"变成"开卷考试"。但这个"开卷考试"可不简单，里面的门道多着呢。 RAG不是万能药，但没它万万不能 很多人以为RAG就是简单的检索增强，错了。 真正的RAG是在解决两个根本问题：时效性和专业性。 比如电商客服，顾客问"你们的产品怎么样"，通过RAG调取最新的用户评价和品牌资料，AI就能给出靠谱的建议，而不是瞎编乱造。 但RAG也不是万能的。 技术路线的段位选择 RAG技术有四个段位，选错了就是花钱买罪受。 入门级：Naive RAG 这是最简单的做法，把文档切块存起来，问题来了就搜索相关段落。听起来很美好，但问题不少。 进阶级：Graph RAG 这个厉害了，不是简单找文档，而是建立知识图谱。 让AI理解"谁认识谁"、"什么事情导致什么结果"。
16210编辑于 2026-02-02
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