- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
7-3 打印沙漏
点这里 7-3 打印沙漏 本题要求你写个程序把给定的符号打印成沙漏的形状。
70420发布于 2019-11-08 - 来自专栏繁花云
7-3笔记
对数的定义：一般地，如果ax=N（a>0，且a≠1），那么数x叫做以a为底N的对数，记作x=logaN，读作以a为底N的对数，其中a叫做对数的底数，N叫做真数。
56300发布于 2018-07-31 - 来自专栏以终为始
7-3 情人节 （15 分)
输入按照点赞的先后顺序给出不知道多少个点赞的人名，每个人名占一行，为不超过10个英文字母的非空单词，以回车结束。一个英文句点.标志输入的结束，这个符号不算在点赞名单里。
20820编辑于 2023-03-09 - 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。
64910编辑于 2025-01-28 - 来自专栏刷题笔记
7-3 约瑟夫环 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101472782 7-3 约瑟夫环 (25 分) N个人围成一圈顺序编号，从1号开始按1、
1.1K10发布于 2019-11-08 - 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 - 来自专栏刷题笔记
7-3 寻找大富翁 (50分)
胡润研究院的调查显示，截至2017年底，中国个人资产超过1亿元的高净值人群达15万人。假设给出N个人的个人资产值，请快速找出资产排前M位的大富翁。
1.5K10发布于 2020-06-23 - 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 - 来自专栏刷题笔记
7-3 电话聊天狂人 (25 分)
点这里 7-3 电话聊天狂人 (25 分) 给定大量手机用户通话记录，找出其中通话次数最多的聊天狂人。 输入格式: 输入首先给出正整数N（≤105），为通话记录条数。
1K20发布于 2019-11-08 - 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
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 - 来自专栏以终为始
7-3 树的同构 （25 分）
7-3 树的同构 （25 分） 给定两棵树T1和T2。如果T1可以通过若干次左右孩子互换就变成T2，则我们称两棵树是“同构”的。
22910编辑于 2023-03-09 - 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 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。
85810编辑于 2024-08-13- 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
86810编辑于 2025-03-25 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-3 求数据的主成分pca
首先创建一个虚拟的测试样本，样本具有两个特征，并且两个特征之间具有相应的线性关系。这里之所以让两个特征之间具有一定的线性关系是因为对这样的两个特征进行降维效果会比较明显。
80350发布于 2019-11-13 - 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freesan44
PTA 7-3 拼题 A 是真爱 (20 分)
如果一个人在一段话里很多次提到 pintia，那对拼题 A 就是真爱啦~ 本题就请你检查一下给定的文字中出现了几次 pintia。
41810编辑于 2021-12-06 - 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）"。
25910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。
17500编辑于 2026-06-13
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