- 综合排序
- 最热优先
- 最新优先
- 来自专栏周末程序猿
RAG实战|8种RAG架构浅析
因为项目的需要，之前研究了一段时间的RAG，于是本文总结 8 种 RAG 架构，对每种架构进行简要介绍，并用 langchain 实现其参考代码。 1. Naive RAG 简介： Naive RAG 是最基础的检索增强生成架构，采用“索引-检索-生成”的经典流程。 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： 查询分类：分析用户查询的类型和复杂度（简单事实/多跳推理/开放性问题） 策略选择：根据查询类型选择最优的RAG策略 简单查询：直接LLM回答或单次检索 复杂查询：多轮迭代检索 开放性问题 SFR RAG 简介： SFR RAG（Salesforce Research RAG）是工业级高质量 RAG 的最佳实践。
1K10编辑于 2025-12-30 - 来自专栏TechLead
RAG技术架构与实现原理
本文详细解析了RAG技术，包括其定义、作用、技术架构和检索模块的实现与优化，全面展示了RAG在自然语言处理中的重要性和广泛应用前景。 关注TechLead，复旦AI博士，分享AI领域全维度知识与研究。 二、RAG的技术架构 RAG模型整体架构 RAG（Retrieval-Augmented Generation）模型的技术架构包括两个主要部分：检索模块（Retriever）和生成模块（Generator 技术架构图 以下是RAG模型的技术架构图，展示了检索模块和生成模块的工作流程： 输入查询 │ ▼ 检索模块 │ ├──> 文档1 │ ├──> 文档2 检索模块的性能直接影响RAG模型的整体效果，因此深入理解其工作原理、技术实现和优化策略是非常重要的。本章将详细解析RAG检索模块的各个方面，包括其架构、实现细节、优化方法以及实际应用中的注意事项。 检索模块架构 RAG的检索模块通常采用双塔模型（Dual-Encoder）架构，由两个独立的编码器组成：一个用于编码查询（Query Encoder），另一个用于编码文档（Document Encoder
9.5K10编辑于 2024-07-15 - 来自专栏软件设计
七种RAG架构cheat sheet！
Weaviate 是一个开源的向量数据库， 面向的就是RAG使用场景，给出了七种RAG架构cheat sheet。RAG 分为两个阶段：索引阶段 和 查询阶段，每个阶段都有超多硬核技术加持！ 7 种 RAG 架构 以下是Weaviate官方总结的七种RAG（Retrieval-Augmented Generation）架构的核心要点速查表，涵盖核心原理、优缺点及适用场景。1. 对架构选择的建议基础场景：优先选择Naive RAG或Retrieve-and-Rerank，平衡速度与精度。 多模态需求：采用Multimodal RAG，结合CLIP等跨模态模型。 Spring Boot 集成 LLM 的 RAG（Retrieval-Augmented Generation）架构框架、技术选型与核心工作流Springboot使用RAG的流程一般是这样的：用户请求 #RAG架构 #Weaviate #AI技术 #技术分享 #多模态 #知识图谱 #智能代理
1.5K40编辑于 2025-01-24 - 来自专栏大模型系列
MiA-RAG (Mindscape-Aware RAG)：为大模型构建“全局大脑”的革命性RAG架构
MiA-RAG的诞生，正是为了将这种人类独有的“全局心智”能力赋予AI系统。 二、MiA-RAG的核心思想与整体架构MiA-RAG的核心创新在于其两阶段架构，明确分离了全局心智构建和局部任务执行两个过程。 三、关键技术优势与对比分析特性传统RAG超长上下文MiA-RAG上下文视野局部、碎片化理论上完整，但实际注意力稀释全局、结构化计算成本低（仅处理小片段）极高（处理整个文档）中等（预处理+小片段处理）推理能力单跳 四、实验效果与评估根据原论文（arXiv:2512.17220）及后续的行业评测，MiA-RAG在多个专注于长上下文理解和基于证据推理的基准测试中，持续且显著地超越了现有的所有基线RAG方法。 深入的案例研究表明，MiA-RAG能够成功地将分布在文档不同部分的证据进行整合，完成复杂的多跳推理，而传统RAG则常常失败。
26111编辑于 2026-04-02 大模型+知识库rag项目架构
将大模型与知识库结合的项目架构（RAG项目架构）可能指的是一种结合了检索（Retrieval）和生成（Generation）的架构，即RAG（Retrieval-Augmented Generation 这种架构特别适用于需要结合检索信息和生成新内容的任务，如开放域问答、内容创作等。RAG架构的一般流程如下：检索阶段（Retrieval）：首先，系统会从知识库中检索出与输入查询相关的信息。 在实际应用中，RAG项目架构可以根据不同的应用场景和需求进行定制和优化。例如，检索系统可以使用不同的搜索引擎或推荐系统，而生成模型可以是传统的语言模型，也可以是专门为特定任务训练的模型。 如果你有关于RAG项目架构的具体问题，或者需要了解如何在特定的应用场景中实现这种架构，请提供更多的上下文信息，我会尽力提供帮助。
1K10编辑于 2024-04-19学习向量数据库与 RAG 架构
### **二、RAG 架构：核心原理与流程**#### 1. RAG 是什么？ - 理解分布式向量数据库的分片、副本机制（如Milvus的DataNode、QueryNode架构）。 2. **RAG高级架构**： - **多模态RAG**：支持图像、音频等数据（如用CLIP模型生成跨模态向量）。 **结合其他技术**： - 与知识图谱（KG）结合，提升检索逻辑推理能力（如RAG + KG架构）。 `（RAG工具链）、`llama-index`（专注RAG的框架） - `milvus-bootcamp`（Milvus实战案例）
76310编辑于 2025-10-24- 来自专栏AIGC
【AIGC】通过RAG架构LLM应用程序
toc在之前的博客文章中，我们已经描述了嵌入是如何工作的，以及RAG技术是什么。本节我们我们将使用 LangChain 库以及 RAG 和嵌入技术在 Python 中构建一个简单的 LLM 应用程序。 我们的 RAG 应用程序将使用私有数据扩展 LLM 的知识。在这种情况下，它将是一个包含一些文本的 PDF 文件。 在关于RAG的文章中对此进行了更详细的描述。 ) print(response["answer"])if __name__ == "__main__": main()小结遵守前面博客中的约定，输出一节基于RAG进行大语言模型构建的内容，
50410编辑于 2024-05-08 - 来自专栏云云众生s
RAG 架构如何克服 LLM 的局限性
检索增强生成 (RAG) 是一种架构框架，利用 向量数据库 来克服现成 LLM 的局限性。在本文中，我将引导你了解 RAG 的功能和优势，以及它如何促进 LLM 和实时 AI 环境的彻底改造。 检索增强生成 (RAG) RAG 是一种架构框架，可帮助企业在其 LLM 和 AI 生态系统和流程中使用专有向量数据库作为先导步骤。RAG 将这些搜索结果用作 LLM 的附加输入，可用于塑造其答案。 RAG 架构使 LLM 能够在对提示或查询创建响应之前访问外部数据库。 通过绕过重新训练流程，RAG 为企业提供了一种经济且便捷的方式来增强其 AI 应用程序，而不会损害搜索准确性和性能。 RAG 的功能和优势 既然你对 RAG 有了基本的了解，我想将重点转移到它的主要功能和主要优势上。 更好的搜索质量 增强的搜索质量是企业使用 RAG 解锁的首批优势之一。 展望 RAG RAG 可以帮助生成更好、更具上下文且没有幻觉的响应来回答人类的问题。借助 RAG，聊天机器人的响应对用户来说更快、更准确。当然，这只是一个简单的用例。
47010编辑于 2024-05-04 构建十亿级向量检索与智能体生态：由 RAG 到 Agentic RAG 的架构实践
随着业务向多步推理、动态任务规划以及跨知识库协作检索演进，传统的 RAG（检索增强生成）架构暴露出明显的性能与运维瓶颈。 RAG）转型。 统一化搜索平台架构：将原本割裂的多个组件整合为 1 个集成的 RAG 解决方案。 基础设施与技术效能指标： 服务器资源大幅缩减：在“十亿级向量”的 RAG 应用实战中，系统架构由管理 4 个不同系统、400+ 台服务器，精简至单一集成方案仅需 30 台服务器，实现 90%+ 的成本降低 全栈云原生运维编排：融合了云基础设施集成、可观测性性能监控（O11y AI 助手、APM 安全规则）及自动化运维（AutoOps、可搜索快照），显著降低管理复杂度。
23820编辑于 2026-04-12- 来自专栏架构驿站
RAG 架构实战：Fixed-Size Chunking（固定切块） 解析
Hello folks，我是 Luga，今天我们来聊一下人工智能应用场景 - 构建高效、灵活的计算架构的 RAG 架构的切块策略—Fixed-Size Chunking（固定切块）。 通过本文，你将一文读懂这款为下一代 RAG 应用量身打造的开源图向量数据库的核心理念、架构优势以及它如何助力你的智能化创新。让我们一起深入了解 HelixDB 的独特之处吧！ 执行运行： (base) lugalee@labs rag % /opt/homebrew/bin/python3 /Volumes/home/rag/fixedsiz.py 原始文本被切分成了 2 个块 通过本文，你将一文读懂这款为下一代 RAG 应用量身打造的开源图向量数据库的核心理念、架构优势以及它如何助力你的智能化创新。让我们一起深入了解 HelixDB 的独特之处吧！ 今天的解析就到这里，欲了解更多关于 LM Studio 相关技术的深入剖析，最佳实践以及相关技术前沿，敬请关注我们的微信公众号或视频号：架构驿站（priest-arc），获取更多独家技术洞察！
39110编辑于 2025-05-25 - 来自专栏自然语言处理
检索增强生成（RAG）的最新发展：一文汇总11种新型RAG算法！
如今，RAG正向更具智能性和自主性的方向发展，能够处理像超图这样的复杂结构，并适应各种专业领域的需求。 本文将介绍11种最新的RAG类型，展示这一技术领域的创新前沿。 HM-RAG：层次化多代理多模态RAG 论文：HM-RAG: Hierarchical Multi-Agent Multimodal Retrieval Augmented Generation HM-RAG 是一个层次化多代理RAG框架，使用三个专门的代理： 查询分割代理：负责分解复杂查询 多模态检索代理：跨文本、图形和网络等多种数据类型进行检索 合并与优化代理：整合不同来源的信息并优化最终答案 这种架构能够处理跨多种媒体类型的复杂查询 11. 这11种新型RAG技术代表了当前研究的前沿，它们不仅提高了AI系统的事实准确性，还扩展了这些系统处理复杂任务的能力范围。
2.5K40编辑于 2025-04-22 VFP AI 插件开发花絮11：RAG.dll 帮助文档
RAG.dll 帮助文档 概述 RAG.MTServer 是一个基于 VFP 的 COM 可调用类（OlePublic），用于管理和调用本地或远程的 AI 服务（如 AnythingLLM）。 导航到 DLL 所在目录，执行： regsvr32 RAG.dll 属性 属性名 类型 说明 oManager Object 受保护的内部对象，根据设置的提供商动态创建（如 AnythingLLM） 示例 loServer = CreateObject("RAG.MTServer") llSuccess = loServer.Set("AnythingLLM", "your-api-key", "C 以下是一个完整的调用流程： LOCAL loServer, llSet, llRunning, llStarted, loResult * 创建对象 loServer = CREATEOBJECT("RAG.MTServer
12110编辑于 2026-04-02- 来自专栏云云众生s
PDF通过新的RAG架构更容易进入GenAI
虽然这些视觉丰富的元素通常被排除在 RAG 工作流程之外，但一种用于从视觉增强文档中检索信息的新方法将简化多模态文档准备，并改变 RAG 和生成式 AI (GenAI) 的潜力。 这些处理步骤可能很耗时，并会影响检索质量，但 Contextualized Late Interaction over PaliGemma (ColPali) 是一种新的检索模型架构，专注于文档密集型环境中的 RAG，克服了这些挑战。 ColPali 的架构建立在两个关键概念之上：来自 视觉语言模型 (VLMs) 的上下文视觉嵌入和后期交互机制。 展望未来 ColPali 架构为文档检索树立了新标准，提供了一个灵活的框架，可以适应新兴的 VLM。基准测试结果表明 ColPali 优于传统方法，标志着该领域范式转变。
39710编辑于 2024-10-10 - 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。
70710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。 2、RAG 的工作原理 RAG 的核心工作流程包含以下步骤： 知识库构建： 收集和处理文档资料 将文档切分为适当大小的文本块 使用向量化模型将文本转换为向量并存储 检索过程： 接收用户查询并向量化 在向量数据库中搜索相似内容 获取最相关的文本片段 生成过程： 将检索到的相关内容与用户问题组合 构建合适的提示词（Prompt） 通过 LLM 生成最终答案 3、RAG 的应用场景 RAG 技术在多个领域都有广泛应用
75010编辑于 2025-03-25 - 来自专栏编程一生
系统架构的11条原则
原则三：分治原则 解析： 做架构时不要想着一次性把所有的功能都做好，要拥抱 MVP（Minimal Viable Product），最小可运行版本。 原则五：拥抱变化 解析： 重视架构扩展性和可运维性。无状态的系统的是可扩展的和直接的。任何时候都要考虑这一点，不要搞个不可扩展的，有状态的东东出来。否则，一旦需要改变，成本很高。 如果不能降低人力成本，反而需要更多的人，那么这个架构设计一定是失败的。 稳定性原则 原则八：依赖最简 解释： 依赖原则是去除依赖、弱化依赖、控制依赖。多一个依赖多一分风险。 如果一件事情有可能发生则在生产环境中一定会发生，架构中要做好容错设计。 原则十一：用成熟的技术 解析： 不要给别人的技术当小白鼠，不要因技术本身的问题影响系统的稳定。
69320编辑于 2022-05-06 - 来自专栏机器学习原理
rag
这个检索模型通常使用双编码器（dual encoder）架构，其中一个编码器用于编码查询，另一个编码器用于编码文档。在训练过程中，这两个编码器通过最大化正确文档和查询对的相似度来进行优化。 在成功检索到相关文档后，RAG的生成模型接管任务。生成模型通常基于Transformer架构，如BERT或GPT，利用检索到的文档作为上下文生成对用户查询的回答。 这个过程依赖于双编码器架构，其中查询和文档被分别编码为向量，并计算它们之间的相似度。 参考文档生成回答：生成模型随后接收到检索到的相关文档，并将它们与用户的查询一起作为输入。 生成模型通常使用Transformer架构，确保生成的文本不仅自然流畅，而且信息准确。 输出答案：最终，生成的答案被返回给用户。 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。
60511编辑于 2024-06-27 - 来自专栏闲余说
架构设计 11-可扩展架构之微内核架构
导读：《架构设计》系列为极客时间李运华老师《从0开始学架构》课程笔记。本文为第十一部分。主要介绍了如何面向功能拆分架构，首先介绍了微内核架构的基本架构设计，以及几种常见架构的实现与特点。 关注本公众号 回复 “架构设计” 获取架构设计笔记完整思维导图 基本架构 两类组件 核心系统（core system） 负责和具体业务功能无关的通用功能： 模块加载 模块间通信 插件模块（plug-in 常见架构 OSGi 架构 OSGi 的全称是 Open Services Gateway initiative，本身其实是指 OSGi Alliance。 现在我们谈论 OSGi，已经和嵌入式应用关联不大了，更多是将 OSGi 当作一个微内核的架构模式。 逻辑架构 模块层（Module 层） 模块层实现插件管理功能。 实现 插件管理 规则引擎中的规则就是微内核架构的插件，引擎就是微内核架构的内核。规则可以被引擎加载和执行。 规则引擎架构中，规则一般保存在规则库中，通常使用数据库来存储。
1.1K20编辑于 2022-08-19 - 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
31110编辑于 2025-01-07 - 来自专栏深度学习和计算机视觉
YOLOv11 架构改进 & 常见指令
在之前的 YOLO 版本基础上，YOLO11 在架构和训练上提供了显著的改进。在保持速度的同时提高性能的最重要的架构变化是增加了 C3K2 块、SPFF 模块和 C2PSA 块。 这种结构使得在复杂场景中更精确的检测成为可能，并提高了 YOLOv11 的准确性。 除了这些架构变化，YOLOv11 像 YOLOv8 一样具有多模型能力。 得益于其优化的架构和高效的处理能力，它可以部署在边缘设备、云平台和支持 NVIDIA GPU 的系统上。 由于这些优化和创新，YOLOv11 在实时应用中提供了性能提升。 在 Ultralytics （详见官网：https://docs.ultralytics.com/models/yolo11/）页面上，当他们评估 YOLOv11 与以前版本相比的性能时，他们发表了以下评论 使用 YOLOv11 使用 PyTorch 构建 YOLOv11 模型及其与其他模式的使用简要如下。 步骤 1：首先，我们需要下载 Ultralytics 库。
2.2K10编辑于 2024-10-30
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