- 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。 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。 这里使用Zephyr 7B beta模型 下面我们开始进行代码编写，首先安装包 %%capture pip install llama_index pyvis Ipython langchain pypdf HF_TOKEN = "api key DEEPHUB 123456" llm = HuggingFaceInferenceAPI( model_name="HuggingFaceH4/zephyr-7b-beta 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 - 来自专栏自然语言处理
带你了解7种检索增强生成 (RAG) 技术
校正RAG（Corrective RAG） 在校正RAG中，系统不仅检索和生成答案，还会验证并校正这些答案。 工作原理： 搜索与检索：与简单RAG类似，系统根据查询检索相关文档。 自省RAG（Self RAG） 自省RAG通过自我反思或自我批评来提高RAG结果的质量。 工作原理： 搜索与检索：模型首先检索相关信息并根据输入查询生成答案。 迭代次数取决于项目规模和可用处理能力。 4. 推测RAG（Speculative RAG） 推测RAG是一种为给定查询生成多个答案的方法，利用检索模型提供相关信息。 融合RAG（Fusion RAG） 融合RAG结合了来自多个检索来源的信息，以生成一个全面的答案。 7. 图RAG(Graph RAG) GraphRAG 是微软公司内部广受赞誉的一种结合了检索增强生成（RAG）技术和知识图谱的先进框架。
9.2K31编辑于 2025-01-06 - 来自专栏自然语言处理
你的RAG系统真的达标了吗？生产环境RAG成功的7大关键指标
RAG系统的两大核心组件 一个典型的RAG系统主要由两部分组成： 检索器：这家伙负责响应用户的查询，从知识库（通常是矢量数据库）里找出相关信息。 评估RAG系统，就得从这两个部分入手，同时还要关注系统整体的表现。 RAG评估的三大维度 评估RAG系统，通常得从以下几个关键领域入手： 检索质量：检索器能不能准确找到并抓取相关文档？ 系统性能：整个RAG系统在成本和响应速度上表现如何？ 7个你必须关注的指标 根据我的经验，要想打造一个成功的RAG应用，你得盯紧以下7个关键指标： Precision@k（我们拿到的是相关内容吗？） 虽然前面提到的7个指标是认为必不可少的，但RAG系统的评估远不止这些。根据你的具体需求，还有很多其他指标可能会派上用场。 RAG评估的核心要素 在评估RAG系统时，有几个关键要素你得时刻关注： 已检索到的块 (RC)：这是检索器从知识库里抓出来的内容块。
1.2K10编辑于 2025-01-13 - 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"。 AdvancedRAG的本质，是把RAG从"一锤子买卖"重构为"多阶段管道"。 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。
28410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 Iteration5:context=60Ktokens(+toolresult4)↑此时Agent已经忘了用户原始问题是什么Iteration6:context=95Ktokens(开始幻觉)Iteration7: 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。 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。 ModularRAG的本质，是把RAG从"线性管道"升级为"模块化图（Graph）"。 二、ModularRAG的核心模式：7种你必须认识的"积木"2.1模式1：Router（路由模式）作用：把不同类型的query路由到不同的处理链。 2.7模式7：Fusion（融合模式）作用：多个检索/生成结果的智能合并。
24910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。 ，但索引还是14小时前的版本2条才是LLM真正的生成质量问题真正的LLM问题只占7%。 **每个事实性陈述后必须标注来源**，格式：`[doc_id]`例：退款需在7天内申请[doc_3]，超过7天不支持[doc_5]。4.**禁用措辞**：-"可能是..."、"大概..." 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 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 - 来自专栏人工智能头条
提高代码阅读能力的7种方法
本文提供了7种提高代码阅读技巧的方法。 在软件开发人员的职位描述中有阅读源代码。然而，这体验并不总能令人愉悦。不是每个人都喜欢阅读别人的代码，因为他们觉得那很乏味，甚至有时令人感到沮丧。 一言以蔽之—— 代码阅读技巧提高编码能力。 运行代码 是的，这是阅读代码的第一步。 Erich Gamma， Richard Helm， Ralph Johnson，John Vlissides软件设计领域的四位世界顶级大师.）有23种有文档说明的设计模式，可以显著地帮助你提高代码阅读能力 做代码检查，你不得不阅读团队中其他人的代码，最终会提高你的代码阅读能力。 临时重构 临时重构也可以帮助您提高代码阅读技能。你可以找取一段长的方法代码，然后不断地把方法细分成多个部分。 原文：https://dzone.com/articles/7-ways-to-improve-your-code-reading-skill 作者：A. N. M.
1.7K40发布于 2018-06-05 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。
85410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 - 来自专栏数据分析师小熊
数据分析7大能力：梳理数据需求
今天分享数据分析师必备的工作能力——需求梳理。需求梳理很不起眼，甚至很多小伙伴感受不到他的存在。但它结结实实影响到大家的下班时间和绩效。 一、什么是数据需求？
1.4K21编辑于 2022-04-22 - 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。
82410编辑于 2025-04-24 - 来自专栏我的安全视界观
【应急能力提升7】整体总结与提升
本篇的结束，也意味着《应急响应实战能力提升》系列的终结，同时也将开始新的实践系列文章编写与分享。 主要取决于自己和对手，自身安全防护能力和运营能力越强，跑赢同行一般遭到攻击的概率就会降低，这也是安全圈公认的道理。但还需要看对手，如果一直被盯着、惦记着，那也是迟早的事儿。 安全能力建设是一项大工程，需要日积月累的推进，不过这里还是想强调威胁情报、外部安全事件很重要。 03 — 企业应急响应能力建议与展望 3.1 常态化实战促进应急响应能力 实战是检验真实能力的唯一标准，没有实战就创造。 其实不需要诸如国家级的攻防演习，也不用省市、行业甚至公司级的红蓝演习。 由此，就参与应急响应的个人能力而言，除了该专项中的基础技能，也提出了更高的要求。不过唯有顺应企业应急能力的发展，并主动掌握相关技能进行支撑，在真实环境中锤炼才能更上一层楼。 ----
76410编辑于 2022-12-20 - 来自专栏千帆企业应用连接器
【千帆aPaaS】7月产品能力月报
副本_未命名_自定义px_2021-08-24+15_53_12.jpeg 流程 1、流程支持子表单功能 流程【提交入库】节点支持子表单数据提交 表达式 1、函数和关键字能力丰富 2、表达式入参新增支持级联枚举 、对象下钻查询 BI能力 1、BI页面支持预览，方便用户对数据页面进行调整 2、支持将多张表数据进行关联，在一个仪表板中进行聚合展示，实现关联数据联动分析 数据模型 1、批量接口性能优化 2、内部服务调用业务数据查询接口协议优化 支持移动端的适配 3、丰富表格、列表以及级联组件的筛选条件 4、关联选择器支持设置筛选条件和默认值设置 5、支持自定义组件创建和管理，并可安装至应用中使用 6、PC移动端返回首页按钮支持自定义配置 平台能力 1、设计态登录态域名合并 2、设计态支持企微登录 3、设计态开发者界面调整 4、支持企微消息推送 5、应用模版支持在租户间分享 6、支持多人协作模式下应用快速预览 7、支持企业微信用户直接开通租户
89140发布于 2021-08-25 - 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
37510编辑于 2025-01-07
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