- 综合排序
- 最热优先
- 最新优先
- 来自专栏AgenticAI
实战微软新一代RAG：GraphRAG强大的全局理解能力，碾压朴素RAG？
微软近日开源了新一代RAG框架GraphRAG[1]，以解决当前RAG在大型语料库上全局理解问题。 当前RAG主要聚焦于局部检索能力，即根据查询语句在向量库中匹配部分知识，然后通过大型语言模型合成这些检索到的信息，生成一个自然流畅的回答。 本文将先首先概述RAG和GraphRAG，然后介绍如何安装、如何使用GraphRAG对《仙逆》进行索引和回答测试。 索引整本小说耗资太过巨大，时间也较长，本文只采用前面10章作为案例用以说明。 下一篇，我们将使用LlamaIndex测试同样问题进行对比全局理解能力。 1. 下一篇我们将使用LLamaIndex也索引《仙逆》前10章，并使用相同问题进行问询以便对比。关注我，下一篇更精彩。
1.5K10编辑于 2025-03-18 - 来自专栏AI 大数据
RAG技术：通过向量检索增强模型理解与生成能力
摘要本文介绍了RAG（检索增强生成）技术的原理与应用，特别是如何通过向量检索系统增强生成模型对外部知识的理解和生成能力。 RAG技术通过结合向量检索与生成模型，有效解决了这些问题，提高了模型对外部知识的理解和生成能力。RAG技术原理RAG技术主要通过“检索+生成”两个阶段结合来处理复杂的问题。 技术系统架构图优化与改进为了提升RAG技术的效果，可以持续优化生成模型的训练数据和参数配置，以提高其对自然语言的理解能力和语义分析准确性。 Q2：如何评估RAG技术的效果？A2：可以通过对比实验来评估RAG技术的效果。例如，将RAG技术与传统的基于关键词检索的方法进行比较，观察在相同查询条件下，RAG技术是否能够生成更准确、更相关的回答。 总结本文介绍了RAG技术的原理与应用，特别是如何通过向量检索系统增强生成模型对外部知识的理解和生成能力。
64510编辑于 2025-01-28 - 来自专栏喔家ArchiSelf
RAG的10篇论文-2024Q1
）以及微调（FT）这两种方法对于增强大型语言模型（LLM）处理低频实体问题的能力。 此外，随着检索技术和数据增强技术的不断进步，RAG和FT方法在定制化LLM以应对低频实体方面的能力得到了显著增强。 3. 这一方法为借助显式记忆来规模性提升LLM能力开辟了新的路径。 4. 作为一套通用型的即插即用解决方案，该方法极大地增强了基于RAG的模型在多种生成任务中的处理能力，并通过四个不同数据集上的显著成绩提升得到了验证。 6. 10.
2.8K10编辑于 2024-04-22 - 来自专栏DeepHub IMBA
使用知识图谱提高RAG的能力，减少大模型幻觉
所以下面我们使用一个简单的例子来介绍如何使用知识图谱构建RAG。 对于RAG，知识图谱是一个非常好的应用方向。 作者：Plaban Nayak 喜欢就关注一下吧： 点个 在看 你最好看！
1.9K11编辑于 2024-01-08 - 来自专栏自然语言处理
GraphRAG vs 传统 RAG：如何通过知识图谱提升 AI 检索能力
相比传统 RAG 仅能独立检索文本片段的局限性，GraphRAG通过构建实体关系图谱实现了信息间的连接，让 AI 能更完整地理解和检索复杂的关联信息，从而生成更准确和连贯的回答 问题背景: 想象有一本详细记录某人 现在我们想要总结这个人的所有成就 传统 RAG 的局限性: 只能获取有限数量(top-k)的相关文本片段 各个文本片段是独立检索的 LLM 需要自行推断这些片段之间的联系 可能会遗漏重要信息 GraphRAG
91410编辑于 2025-01-05 - 来自专栏新智元
闲来无事，我测了测国产大模型的RAG能力
可以看到，模型A先是列出了政策中的规定，并在一番计算之后，给出正确的时间——2025年10月。 甚至还贴心地给出了一些注意事项。 相比之下，模型B的推断过程含糊不清，并且也没有给出正确的答案。 上面这些场景所考验的，就是模型在RAG（Retrieval-Augmented Generation）检索增强生成方面的能力。 RAG这个概念，最早在2020年的一篇划时代论文中首次提出，它巧妙地融合了LLM和信息检索的能力。 百度搜索增强技术深度融合大模型能力和搜索系统，构建了「理解-检索-生成」的协同优化技术。 RAG不仅是技术，更是智能进化的里程碑 2024百度世界大会上，李彦宏曾表示，RAG已从百度特色逐渐成为了行业共识。 过去两年，我们见证了RAG，为整个大模型领域带去翻天覆地的变化。
43900编辑于 2025-02-04 - 来自专栏多模态 / RAG / 知识图谱
RAG 系列 02 — Advanced RAG
配套阅读：《RAG系列01—NaiveRAG》《从NaiveRAG到AgenticRAG》引言：2025年3月，我参加了一家toBSaaS公司的技术评审会。那天的议题是"RAG系统下一阶段升级路线"。 一边写成功一边写失败→数据不一致增量同步延迟不一致→同一文档两边状态不同删除传播不同步→一边能搜到，一边搜不到没法做原子重建解法（按推荐度排序）：方案适合坑Elasticsearch8.x/OpenSearch单引擎双能力新项目首选 理由：单引擎一致性问题消失BM25是ES的看家本领向量能力虽然不顶尖，但够用运维生态成熟，招人容易坑2：中文BM25的tokenizer默认是错的ES默认tokenizer对中文是单字切分，召回质量极差 坑2：Rerankscore不归一→阈值过滤失效不同reranker输出的score范围完全不同：Cohere返回0-1概率BGE返回logit（可能-10到+10）如果要做"低于X直接丢弃"的过滤，必须先归一 工程师真正稀缺的能力，不是用最新模型，是知道什么时候该克制。
28710编辑于 2026-06-09 - 来自专栏机器学习原理
rag
这是因为这些模型在生成答案时完全依赖训练数据和参数，并没有利用外部知识库的能力。与此相对，检索模型可以访问大规模的文档库，找到与查询相关的信息，但在生成流畅的语言响应方面则表现欠佳。 RAG技术的原理 RAG（检索增强生成）技术是一种将信息检索和自然语言生成结合起来的创新方法。其核心思想是通过利用大规模的外部知识库来增强生成模型的回答能力，从而提高生成文本的准确性和相关性。 RAG工作流程 RAG的工作流程可以分为以下几个步骤： 用户查询：用户提出一个查询，系统首先会将这个查询传递给检索模型。 RAG技术的应用场景 RAG技术在众多实际应用场景中显示出其独特的优势，这是其他单一技术难以比拟的。下面我们详细探讨RAG技术的几个主要应用场景。 RAG技术的优势与挑战 RAG技术在很多方面展示了其显著的优势，但它也面临着一些挑战。以下我们将详细探讨RAG技术的优势和挑战。
67811编辑于 2024-06-27 TextIn文档树引擎，助力RAG知识库问答检索召回能力提升
今天，我们将介绍另一项重要指标，也是业内面对的一项普遍性难点：标题识别，以及它如何影响数据清洗与RAG系统开发。 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。 以RAG（Retrieval-Augmented Generation）这一主要场景为例，在系统开发过程中，Chunking（分块）对整体性能有着显著的影响。 RAG在进行信息检索的时候需要将检索出来的有价值的文本段送给模型，模型才能生成可靠有用的内容。 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。
85510编辑于 2024-08-13- 来自专栏DeepHub IMBA
Langchain中改进RAG能力的3种常用的扩展查询方法
有多种方法可以提高检索增强生成(RAG)的能力，其中一种方法称为查询扩展。 ("system", qa_system_prompt), ("human", "{question}"), ] ) rag_chain qa_prompt | llm | StrOutputParser() ) question_string = rag_chain.invoke 总结 以上就是最常用的3种改进RAG能力扩展查询方法。当你在使用RAG时，并且没有得到正确或详细的答案，可以使用上述查询扩展方法来解决这些问题。希望所有这些技术可以用于你的下一个项目。
1.4K10编辑于 2024-01-31 - 来自专栏Datawhale专栏
RAG 作者：RAG 已死，RAG 万岁！
一个具有更大上下文窗口的新模型问世，社交媒体上便会充斥着“RAG 已死”的宣言。 该 LinkedIn 帖子： 一些值得注意的 RAG“死亡宣告”包括： 2023 年 5 月：Anthropic 的 Claude，上下文窗口达 10 万 token 2024 年 2 月：Google 底线是：您同时需要长上下文 LLM 和 RAG。 但既然“RAG”这个术语似乎如此具有争议性，那我们不妨这样说： 我们不必非得称之为 RAG。 我们可以就叫它 检索 (retrieval)。 RAG 提供了相当于直接翻到相关页面的能力。处理更多 token 不仅更慢，而且极其低效，并且比使用 RAG 精准定位所需信息要昂贵得多。 RAG、微调和大型上下文窗口在 AI 中也是如此。 结论 我们不需要在 RAG 与长上下文窗口、微调或 MCP 之间做出选择。
82610编辑于 2025-04-24 - 来自专栏全栈开发工程师
【RAG】001-RAG概述
【RAG】001-RAG概述 0、整体思维导图 下面的知识是基于一个视频教程结合 AI 生成的笔记，我也看了一遍，有了一些印象，但这种印象很快就会消失，知识也就消失了，为了使得知识在我的大脑中停留更长的时间 补充1：RAG 基本逻辑 补充2：RAG 知识库基本逻辑 一、RAG 介绍 1、LLM 的主要局限性 大语言模型（LLM）尽管功能强大，但仍存在以下明显的局限性： 时效性问题：模型的知识在预训练后就固定了 概述 1、RAG 的概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了检索和生成技术的文本处理方法，主要用于提高语言模型的输出质量。 RAG 通过在生成回答之前，先从知识库中检索相关信息，然后将检索到的信息作为上下文提供给语言模型，从而实现更准确、更可靠的响应。这种方法既保留了 LLM 强大的理解和生成能力，又克服了其知识局限性。 对响应速度要求高的场景 有充足的训练资源和专业团队 需要深度定制模型行为的项目 3.3 混合使用策略 在实际应用中，可以考虑将两种方法结合使用： 使用 Fine-tuning 优化模型的基础能力 使用
86410编辑于 2025-03-25 - 来自专栏机器学习之禅
10 | 多层神经网络、激活函数、学习能力
强大学习能力 让我们看一下，有了激活函数之后，为什么具备强大学习能力。如下图所示，总共有9个图像。其中左上角的ABCD是原始图形，也可以认为是一个神经元，由一个线性变换+一个激活函数构成。 到了这里就可以看到神经网络的强大学习能力，我们并不知道我们的数据所对应的模型函数是什么样的，也不需要预先去定义它，而是给出一堆最基本的线性变换和激活函数，经过我们前几节那样的迭代，找到一些权重，最后就能过模拟出一个很复杂的模型结果
51020编辑于 2022-07-11 - 来自专栏大模型应用开发
10 万文档干崩 RAG？这套架构救了我
为一家医药科技公司开发检索增强生成（RAG）系统刚满三个月，一切就全乱套了。 一家手握 10 万份医疗文献、病例报告的医疗机构，结果整个搜索架构直接被数据量压垮。 这次踩坑让我对 RAG 系统的认知彻底颠覆，现在就把这套能支撑 10 万份医疗文档、响应时间不足一秒的架构原封不动分享给你 —— 连可直接跑的代码都准备好了。 没人敢说的真相：RAG 的扩容根本不是线性的大部分 RAG 教程教你索引 100 个 PDF 就收手，说好听点是入门示例，说难听点就是生产环境完全用不上的花架子。真正扩容时会发生什么？ 问题不只是数据量 —— RAG 系统有三个相互关联的瓶颈，而且会呈指数级叠加：数据摄入流水线、检索准确性、生成质量。一个优化不当，另外两个就会跟着崩盘。 从小处着手，聪明扩容如果你也在搭医疗领域的 RAG 系统，听我一句劝：别一上来就冲 10 万文档。先从 1000 份医疗文献开始，把基础打牢，监控好每一个指标。然后逐步扩容，同时盯紧每个瓶颈。
66420编辑于 2025-11-28 如何用RAG增强的动态能力与大模型结合打造企业AI产品？
核心要点RAG vs Few Shots：动态能力对比，RAG如何实现实时知识更新RAG关键指标解析：精确率、召回率、F1分数、MRR的对比分析在雨林一人公司的AI产品开发过程中，nine遇到了一个关键问题 （已发布，可查看历史文章）如何用RAG增强的动态能力与大模型结合打造企业AI产品？ RAG技术的动态优势RAG技术通过外部知识库实现了真正的动态能力：实时知识更新： 知识库可以随时更新，新政策、新规则立即生效，无需重新训练模型。 技术总结RAG技术相比Few Shots学习的核心优势在于动态能力：能够实时更新知识库、提供可追溯的决策依据、覆盖海量业务场景。 掌握RAG增强技术后，你就具备了构建企业级大模型分类系统的完整能力，可以在各种复杂业务场景中发挥重要作用。记住：Few Shots适合简单场景，RAG适合企业级应用。
34310编辑于 2025-09-21- 来自专栏coder
什么是 RAG，为什么要用 RAG？
RAG 引用信息来源是用户可以核实答案，因此其透明透非常高，这增强了人们对模型输出结果的信任。 透过获取与特定领域数据，RAG能够为不同领域提供专业的知识支持，定制能力非常高。 结合 RAG 和 Fine tuning ，甚至 Promt Enginerring 可以让模型能力的层次性得增强。 这种协同作用特别在特定情境下显得重要，能够将模型的效能推至最佳。 这种限制可能会阻碍模型在真实世界中的表现，因为它可能过度适应训练集中的特定示例，从而降低了其在不同上下文中泛化的能力。 这种方法在减少过度适应和加强模型的泛化能力方面至关重要。 三. 同时新兴的Technical Stack也逐渐在发展，例如，Flowise AI10优先考虑低代码方法，用户能够通过简单的拖曳界面部署包括RAG在内的AI应用。
80610编辑于 2024-09-06 - 来自专栏Reinvent Data Science
RAG 修炼手册｜如何评估 RAG 应用？
有的 RAG 具备多路召回能力，可能还会有 基于词频的搜索方法（term frequency search） 算法，更换和升级这些关键组件也能为 RAG 应用带来更好的效果。 10 means that the reply can answer the question perfectly. GPT-4 的回复： 10 可以看到，只要预先设计好一个合适的 prompt，比如上例这个 prompt，只要把 Qustion 和 Reply 替换掉，就可以自动化地评测所有 Q-A 对。 有的 RAG 有多路召回能力，可能还会有 term frequency search 算法。 很显然，测试这些关键组件也能体现出这个 RAG pipeline 在某一步的能力上的效果，更换和升级这些关键组件也能为 RAG 应用带来更好的性能。
1.6K12编辑于 2024-04-25 - 来自专栏周末程序猿
RAG实战|8种RAG架构浅析
Agentic RAG 简介： Agentic RAG（智能体RAG）将 AI Agent 的规划和推理能力与 RAG 相结合。 架构： 实现步骤： Agent初始化：创建具有推理和规划能力的AI Agent，配备检索工具 任务分解：Agent分析用户查询，将复杂问题分解为多个子任务 工具选择：Agent根据子任务特点选择合适的工具 Self RAG 简介： Self RAG 提供给模型自我评估和决策能力，它通过四个反思标记（Retrieve/ISREL/ISSUP/ISUSE）来判断：是否需要检索、文档是否相关、答案是否被支持、答案是否有用 SFR RAG 简介： SFR RAG（Salesforce Research RAG）是工业级高质量 RAG 的最佳实践。 创建带重排序的检索器""" # 基础检索器 base_retriever = self.vectorstore.as_retriever(search_kwargs={"k": 10
1.3K10编辑于 2025-12-30 - 来自专栏多模态 / RAG / 知识图谱
RAG 系列 04 — Agentic RAG
配套阅读（按顺序）：《RAG系列01—NaiveRAG》《RAG系列02—AdvancedRAG》《RAG系列03—ModularRAG》《从NaiveRAG到AgenticRAG》引言：那个一周烧掉4 一、AgenticRAG到底是什么：一个被严重误解的概念1.1严格定义AgenticRAG=把检索行为本身变成Agent的工具，由一个（或多个）具备推理、规划、反思能力的LLMAgent在运行时决定：要不要检索 关键决策：任务可分解为独立并行子任务（如"分别研究10家公司"）→多Agent任务紧密依赖（如代码理解、推理链）→单Agent90%的团队该从单Agent起步。 这比"模型不够聪明"重要10倍。 这个问题的答案，决定了你是RAG工程师还是RAG用户。
15900编辑于 2026-06-13 - 来自专栏多模态 / RAG / 知识图谱
RAG 系列 01 — Naive RAG
系列说明：这是RAG工程化系列第一篇，目标是把四代RAG（NaiveAdvancedModular/Agentic）逐一拆透。每篇聚焦一种范式，讲它真正能做什么、做不到什么、工程上怎么落地。 fromlangchain.text_splitterimportRecursiveCharacterTextSplittersplitter=RecursiveCharacterTextSplitter(chunk_size=512,chunk_overlap=64,#必须有，建议chunk_size的10 9.1应该停留在Naive的场景场景理由单一产品FAQ文档同质化高内部小工具（<50用户）投入产出不划算真正的POC（≤1个月）验证业务价值文档高度规整（如API文档）检索本身不是问题团队没有ML工程能力先跑通比跑好重要 chunk_index,parent_doc_id增量同步机制（至少支持createupdatedelete）去重（基于checksum）检索层Embedding模型经GoldenSet验证top_k起步3-5，不要默认10 观点三：RAG工程师真正稀缺的能力，不是用最新模型，是知道什么时候该克制。
44522编辑于 2026-05-23
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