- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
3-5 处理缺失值
> x <- c(1,NA,2,NA,3) > is.na(x) [1] FALSE TRUE FALSE TRUE FALSE > x[!is.na(x)] #找出不是缺失值 [1] 1 2 3 > x <- c(1,NA,2,NA,3) > y <- c("a","b",NA,"c",NA) > z <- complete.cases(x,y) #都不是缺失值的元素 > x[z] [1] 1 > y[z] [1] "a" > library(datasets) #import dat
52010发布于 2020-09-16 - 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。
64810编辑于 2025-01-28 - 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。 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. **这类问题需要查询聚焦摘要（Query focused summary）而不是像我们上述RAG系统那样显式检索，现有的QFS方法无法扩展到RAG系统索引的文本量。 王林对“仙人”的概念着迷，反映了他对于超自然能力和永生的渴望。他的故事中还包含了与Heng Yue Faction青年的互动，这些交流影响了社区的动态和选拔过程。
1.5K10编辑于 2025-03-18 - 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NetCore 从壹开始
3-5 安装CICD管理平台：Jenkins
大家这里可以先安装gitlab工具，我就省事了，直接用gitee做源代码管理平台了。
35621编辑于 2023-01-09 - 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
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。 RAG不仅是技术，更是智能进化的里程碑。
44100编辑于 2025-02-04 - 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。 RAG 的初衷 五年前，我在 Meta 基础人工智能研究中心（FAIR，前身为 Facebook 人工智能研究中心）的团队提出了 RAG（Retrieval-Augmented Generation，检索增强生成 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。
83010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
86610编辑于 2025-03-25 - 来自专栏叽叽西
lagou 爪哇 3-5 spring cloud (下) 笔记
为了⽀撑⽇益增⻓的庞⼤业务量，我们会使⽤微服务架构设计我们的系统，使得 我们的系统不仅能够通过集群部署抵挡流量的冲击，⼜能根据业务进⾏灵活的扩展。那么，在微服务架构下，⼀次请求少则经过三四次服务调⽤完成，多则跨越⼏⼗ 个甚⾄是上百个服务节点。那么问题接踵⽽来：
88420编辑于 2022-05-17 - 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 - 来自专栏律师AI实战
WorkBuddy 项目能力如何用在法律案件上？3-5人小团队协作实战指南（作者：Z律同行）
共享上下文工作空间（Workspace）关联本地文件夹"会议室"每个工作空间有独立记忆（MEMORY.md），对应本地不同目录任务（Task）一次AI执行会话"会议"执行完可归档，产物自动归档到项目资产关键能力一览 Agent整理证据，一个Agent写文书——同时跑，不用排队产物自动归档：每次任务结果自动沉淀为项目资产，可溯源复用技能复用（Skills）：把最佳实践沉淀为可复用的技能包，团队内分享，下一个案件直接调用三、3- 我的建议方案月成本适合场景先用免费版体验¥0每人单独注册，各自用500积分/月体验基础功能，评估是否满足需求企业旗舰版（推荐）¥234-390/月3-5人团队首选——团队共享Credits，支持项目协作 、任务分发、资产归档，法律案件协作所需核心能力全覆盖企业专享版¥790-1580/月涉及高敏感案件数据，需VPC隔离和合规认证时选择重点提醒：法律案件协作必须用企业旗舰版以上，因为免费版和专业版不支持项目团队协作 按案件建项目——资料、研究、文书全部在一个项目容器里，上下文不丢失多Agent并行——证据整理、法条检索、文书起草同时跑，效率翻倍知识沉淀复用——案件经验变成Skills，下一个案件直接调用，越用越聪明3-
29310编辑于 2026-06-13 - 来自专栏多模态 / RAG / 知识图谱
RAG 系列 03 — Modular RAG
系列说明：这是RAG工程化系列第三篇。前两篇我们完成了从Naive到Advanced的进化——把基础工程做到极致，把准确率从38%推到87%。 配套阅读：《RAG系列01—NaiveRAG》《RAG系列02—AdvancedRAG》《从NaiveRAG到AgenticRAG》引言：那个"if-else套了11层"的RAG项目2024年底，我帮一家金融科技公司做 RAG系统的codereview。 这就是ModularRAG真正的价值——它不是为了更高的准确率，是为了让你的RAG系统在业务复杂度爆炸时不崩盘。 ModularRAG的本质，是把RAG从"线性管道"升级为"模块化图（Graph）"。
25710编辑于 2026-06-10 - 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 留四个观点作整个系列的结尾：观点一：每一代RAG都有它的"甜蜜区"，超出甜蜜区强行升级，反而是退步。 真正厉害的RAG工程师，不是用最新模型、最复杂架构的人，是知道什么时候该停下来、什么时候该上手的人。 这个问题的答案，决定了你是RAG工程师还是RAG用户。
16600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。 chunk_size理由短问答（FAQ）256-512答案密度高技术文档512-1024一个完整概念法律/合同1024-2048上下文依赖强论文512+parent-child段落级精度对话记录N轮聚合（N=3- 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- 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。
44922编辑于 2026-05-23 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？ 知识覆盖有限： 3-5个示例无法覆盖复杂的业务场景，对边缘案例的处理能力差。nine在dify平台测试发现，Few Shots对复杂业务场景的处理效果不够理想。 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。 技术对比表特性Few Shots学习RAG技术知识更新静态，需重新设计示例动态，实时更新知识库知识覆盖有限（3-5个示例）全面（海量知识库）可解释性无可追溯决策依据准确率有限（复杂场景）显著提升（企业级应用
34410编辑于 2025-09-21TextIn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。
85610编辑于 2024-08-13- 来自专栏自然语言处理
RAG Logger：RAG日志记录工具
您听说过 RAG Logger 吗？ 它是一款专为检索增强生成 (RAG) 应用程序设计的开源日志记录工具！ 据说它可以作为 LangSmith 的轻量级替代方案，满足 RAG 特定的日志记录需求。 查询、搜索结果、LLM 交互和性能指标可以以 JSON 格式记录。 特点 通过查询跟踪详细了解用户问题！ RAG Logger 为 RAG 应用程序的性能监控和调试提供了强大的支持，对吗？ 特别推荐给那些想要提高应用程序开发效率的人。 请参阅此处的详细信息： RAG Logger GitHub 仓库
37610编辑于 2025-01-07 - 来自专栏多模态 / RAG / 知识图谱
RAG 系列 02 — Advanced RAG
Multi-Query原理：让LLM生成3-5个query变体，并行检索后合并。 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 ModularRAG的运维复杂度是Advanced的3-5倍。九、AdvancedRAG上线Checklist打勾才能上线。 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。
29410编辑于 2026-06-09 - 来自专栏全栈开发工程师
【RAG】001.1-RAG相关核心概念
【RAG】001.1-RAG相关核心概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与生成模型的混合架构，旨在提升生成的准确性和可信度。 在实践中，需根据场景需求调整模块权重——高频更新领域（如新闻摘要）强调检索实时性；逻辑复杂任务（如数学推理）则需生成模块更强的推断能力。 2. 优化技巧： 分区索引（Sharding）提升并行查询能力。 量化（如PQ）减少内存占用。 总结流程 预处理：原始文档 → 清洗 → 分块 → 纯文本块。 资源消耗 GPU内存占用：影响并发能力，尤其大模型推理时（如7B模型需约20GB显存）。 CPU/磁盘I/O：向量数据库查询时的资源开销。 思维链（Chain-of-Thought, CoT） 让模型分步推理，提升复杂问题解答能力（如数学题）。
1.2K10编辑于 2025-03-26
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