- 综合排序
- 最热优先
- 最新优先
- 来自专栏RAG
RAG系列：#5 RAG中的11种分块策略
7个指标让你的准确率大幅提升RAG评测完整指南：指标、测试和最佳实践收藏！ RAG核心工具大全:7大解析工具+向量模型+数据库+检索排序GraphRAG开源生态全景：6大主流开源项目，微软/蚂蚁/港大项目同台PK检索增强生成（RAG）将LLM与信息检索系统相结合，以生成更准确、 ：块应包含独立、完整的语义单元（如一个概念的解释、一个问答对），兼顾语义完整与检索精度②突破大模型**的上下文窗口与注意力限制上下文窗口限制：模型处理能力有限，超长文档无法一次输入。 本文将详细介绍每种分块方法，比较不同的分块策略，探讨如何选择合适的分块策略，并了解在RAG中实施分块的**最佳实践。 识别包含文本的图像将表格转换为结构化数据格式保持不同模式下索引系统的一致性代理分块原理：采用大型语言模型(LLM)分析文本，并根据内容结构和语义建议块边界适用场景：需要保留含义和上下文的复杂文档优势：智能分割：利用LLM的理解能力创建有意义的块适应性强
18310编辑于 2026-05-27 - 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. 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. ✨ 特色功能： 提供50+针对企业任务优化的小型模型 支持完整的RAG生命周期 适用场景：适合企业环境中需要专业化、轻量级解决方案的场景。
4.1K11编辑于 2024-12-31 - 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。 RAG可以从互联网、关系型数据集、Neo4J中的知识图谱，或者这三者的组合中检索信息。 在许多情况下，我们注意到混合方法往往能带来更好的性能。 要让模型具备领域知识这一缺失能力，你可以对其进行微调。 这两个提示可以修复高效检索的索引部分。但是，检索过程本身也可以优化。 检索过程可以更先进 最直接的检索过程是直接查询。 具有良好推理能力的LLM可以用于此目的。你还可以对较小的模型进行指令微调，以节省成本并减少延迟。 另一种技术是链式请求。对于初始查询，我们可以从数据源获取信息。 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。
32410编辑于 2025-04-26 - 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. 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。 5. 总结 本文通过介绍微软新一代GraphRAG，从概念到安装、索引和查询，并以热门网络小说《仙逆》为例，说明GraphRAG在全局理解，和实体关系提取等强大之处。
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
37610编辑于 2025-12-24 - 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。 embedding_mode="hybrid", similarity_top_k=5, 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
91110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。
43900编辑于 2025-02-04 - 来自专栏前端小课堂
H5多媒体能力
H5多媒体能力 author: @TiffanysBear H5多媒体能力 多媒体能力顾名思义就是H5提供的播放视频、音频能力。 在HTML5中通过HTML标签\和\来支持嵌入式的媒体，是开发者能够方便的将媒体嵌入。
2.5K11发布于 2019-11-28 - 来自专栏DevOps时代的专栏
提升 DevOps 能力的5个技巧
技巧5：关注有意义的测试 “追求测试覆盖率指标的组织，应该做些更有用的事情” ―马丁·福勒（Martin Fowler） 常见的开发测试指标是“代码测试覆盖率”。 频繁交付的能力需要高度的自动化，尤其是端到端的测试。 虚拟化技术的一大优势是能够启动服务器和网络配置的任意集合（测试沙箱）。
72320发布于 2021-07-09 - 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"。 CEO听完，问了一个问题："我们现在的RAG，hit@5是多少？"技术负责人愣住了，转头问算法工程师。算法工程师翻了一下电脑，回答："我们……没系统跑过这个指标。" 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 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。
28510编辑于 2026-06-09 - 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 95%的企业RAG场景，Modular永远是更合适的选择。Agentic是为剩下5%准备的——而且这5%还在不断被更专业化的方案蚕食（如专门训练的DeepResearch模型）。 二、什么场景真正适合AgenticRAG：5个该用，5个不该用这是整篇文章最重要的一节。AgenticRAG的成功，70%取决于场景选对。 这个问题的答案，决定了你是RAG工程师还是RAG用户。
15800编辑于 2026-06-13 - 来自专栏多模态 / RAG / 知识图谱
RAG 系列 03 — Modular RAG
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。 新增数据源从6周降到5天。A/B测试从"全员代码评审"变成"改一行配置"。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）"。 下一篇预告：《RAG系列04—AgenticRAG：在烧钱和失控之间走钢丝》主题包括：为什么90%的"我们要不要上Agentic"该被回答"不"真正适合Agentic的5类场景（含反面案例）AgentLoop
25110编辑于 2026-06-10 - 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。 一、NaiveRAG到底是什么：先把定义讲清楚，否则后面全是糊涂账打开任何一篇RAG教程，你会看到几乎一样的描述："RAG就是先检索再生成"。这种描述等于没说。 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 5条9.3升级决策树每一步都应该在GoldenSet上验证收益≥5%再保留。 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。
44422编辑于 2026-05-23 - 来自专栏云云众生s
影响生产RAG流水线5大瓶颈
这些是可能阻碍RAG流水线在生产LLM环境中性能的主要潜在瓶颈。 译自 5 Bottlenecks Impacting RAG Pipeline Efficiency in Production，作者 Janakiram MSV。 其主要目标是通过将通用语言模型与外部信息检索系统集成，增强通用语言模型的能力。这种混合方法旨在解决传统语言模型在处理复杂、知识密集型任务方面的局限性。 通过这样做，RAG显著提高了生成响应的事实准确性和可靠性，尤其是在需要精确或最新信息的情况下。 RAG以其增强语言模型知识的能力脱颖而出，使其能够产生更准确、上下文感知和可靠的输出。 在LLMs中，嵌入模型的维度影响其捕捉语义细微差别的能力。更高的维度通常意味着更好的性能，但代价是增加的计算资源。
67010编辑于 2024-03-28 - 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 - 来自专栏《三桥君 | AI产品方法论》
掌握这5个要点，选对Embedding模型助力RAG系统
在RAG系统中，Embedding模型的质量直接决定了系统在理解用户查询、检索相关文档以及生成高质量回答方面的能力。 2. text - embedding - 3 - large 适合英文为主的全球化应用，具有较高的语义理解能力。 E5 - mistral - 7B 适合动态调整语义密度的复杂系统，能够根据任务需求灵活调整语义表示。 4. E5 - mistral - 7B 适合企业级部署和智能客服系统，能够在高并发环境下稳定运行。 四、如何选择合适的Embedding模型 1. 5. 考虑语言支持 最后，你还需要考虑模型的语言支持。比如，如果你的系统需要处理多语言数据，那么你需要选择支持多语言的模型。如果你的系统主要处理中文数据，那么你需要选择专门为中文优化的模型。
55510编辑于 2025-08-28 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。 然后对相关文档进行排序，并选择前5名作为LLM返回结果。 为什么需要挑选前5个文档?因为需要尽量避免从矢量数据库检索的不相关文档。 qa_prompt | llm | StrOutputParser() ) question_string = rag_chain.invoke create_original_query用于生成查询，它将返回5个生成的问题加上原始查询。 create_documents则根据6个问题（上面的5个生成问题和1个原始查询）检索24个相关文档。 然后就是对文档重新排序，保留前5个文档。 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。
1.4K10编辑于 2024-01-31
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