- 综合排序
- 最热优先
- 最新优先
- 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。
71810编辑于 2025-04-24 - 来自专栏Coder的技术之路
多元线性回归
多元线性回归 其实多元线性回归和一元线性回归的操作方法是一样的。 最基本的方法是用最小二乘估计来获取回归方程中的未知参数。 多元线性回归存在的问题 示例（摘自 炼数成金）：已知x1，x2与y的关系服从线性回归型y=10+2x1+3x2+ε 给出自变量、因变量和误差项的实例数据，假设 现在不知道回归方程中的参数，运用最小二乘法求解三个参数 岭回归 岭回归主要想解决的就是多元线性回归中的共线性问题，通过一定策略选择合适的变量参与回归。
1K30发布于 2021-05-14 - 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
76210编辑于 2025-03-25 - 来自专栏微生态与微进化
多元线性回归
⑴多元回归模型建立 当预测变量也即自变量不止一个时为多元线性回归（multivariable linearregression，MLR），多项式回归可以看成特殊情况下的多元线性回归。 在多元回归中，随着解释变量的增加，无论这些解释变量是否与响应变量有关，R2一般都会增加，这主要是由于随机相关的存在。 上面多元回归的结果中已经给出了校正后的R2（51%），我们也可以使用vegan包中的RsquareAdj()函数来校正类多元回归模型（MLR、RDA等）中的R2，如下所示： library(vegan) 复杂的多重多元线性回归可以使用RDA分析来实现。 ⑵回归诊断 我们可以使用一元回归诊断方法进行简单的诊断，结果如下： par(mfrow=c(2,2)) plot(fit) 在R中car包提供了更详细的回归模型诊断函数，接下来我们对多元回归模型进行详细的评价
1.7K10编辑于 2022-05-05 - 来自专栏mantou大数据
多元线性回归
多元线性回归定义 在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。 因此多元线性回归比一元线性回归的实用意义更大。 我们现在介绍方程的符号，我们可以有任意数量的输入变量。 [image] Hypothesis: 假设假设现有多元线性回归并约定x0=1。 Parameters: 该模型的参数是从θ0 到θn。不要认为这是 n+1 个单独的参数。 2.2 当有一个以上特征时 现有数目远大于1的很多特征,梯度下降更新规则变成了这样: [image] 有些同学可能知道微积分,代价函数 J 对参数 θj 求偏导数 （蓝线圈出部分），你将会得到多元线性回归的梯度下降算法
2.3K180发布于 2018-04-21 - 来自专栏毛利学Python
多元线性回归
◆ ◆ ◆ ◆ ◆ 什么是多元线性回归 在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。 因此多元线性回归比一元线性回归的实用意义更大。
1.2K20发布于 2019-08-29 - 来自专栏Hsinyan写字的地方
多元线性回归
预测函数为\hat{y}^{(i)}=ax^{(i)}+b，也可以写成这种形式\hat{y}=\theta_0+\theta_1x，其中\theta_0为截距b，\theta_1为前面式子中的a 那么对于在多元线性回归 theta_1,\theta_2,…，\theta_n)^T中，\theta_0为截距(intercept)，\theta_1,\theta_2,…，\theta_n为系数(coefficients) 实现 多元线性回归
99620编辑于 2022-06-19 - 来自专栏小明的博客
多元线性回归
主要分享计量的多元线性回归模型及离差形式系数的求解过程，在学习完多元线性回归之后一时兴起用了一个小时在本子上写出了公式的推导，回到宿舍后为了方便npy看花费了两个小时转成了数学公式（主要是自己写的公式区分度不高 end{array}\right)+\left[\begin{array}{c} \mu_1 \\ \mu_2 \\ \vdots \\ \mu_n \end{array}\right] 于是可以得到多元线性回归方程的矩阵表示形式 于是可以得到残差的平均值为0，接下来求解多元线性回归模型的离差形式。
1.5K20编辑于 2022-10-31 - 来自专栏机器学习原理
rag
RAG技术全面解析：原理、应用与优势 引言 在当今快速发展的人工智能领域，检索增强生成（Retrieval-Augmented Generation, RAG）技术已成为一个备受关注的话题。 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技术可以在知识图谱构建过程中发挥重要作用。通过利用检索模型从大规模文档库中找到最新的相关信息，RAG系统可以识别出新的实体和关系。 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。
61311编辑于 2024-06-27 - 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
31510编辑于 2025-01-07 - 来自专栏CSDN搜“看，未来”
多元线性回归模型
1、多元线性回归模型及其矩阵表示 设Y是一个可观测的随机变量，它受到p-1个非随机因素 X1、X2、X3···X(p-1)和随机因素ε的影响。 该模型称为多元线性回归模型， 称Y为因变量，X为自变量。 要建立多元线性回归模型，我们首先要估计未知参数β，为此我们要进行n(n>=p)次独立观测，得到n组数据（称为样本）。 上式称为多元统计回归模型的矩阵形式。 2、β和σ²的估计 经过一番计算，得出β的最小二乘估计: ? β的最大似然估计和它的最小二乘估计一样。 误差方差σ²的估计： ? 为它的一个无偏估计。
3.2K31发布于 2020-08-26 - 来自专栏C++/Linux
【QT】多元素控件
多元素控件 Qt 中提供的多元素控件有: QListWidget QListView QTableWidget QTableView QTreeWidget QTreeView xxWidget 和 xxView
1.5K10编辑于 2024-07-16 - 来自专栏bit哲学院
numpy 多元运算函数
参考链接： Numpy 二元运算 多元运算函数 导包import numpy as np 二元运算函数 传两个参数的函数 arr1=np.arange(10).reshape((2,5)) arr2
67920发布于 2020-12-25 - 来自专栏数据派THU
独家 | 进阶RAG-提升RAG效果
在我的上一篇博客中，我深入地介绍了RAG以及它是如何用LlamaIndex实现的。然而，RAG在回答问题时经常遇到许多挑战。 RAG工作流程分解 首先，为了增强对RAG的理解，我们将RAG工作流程分解为三个部分，并对每个部分进行优化以提高整体表现。 模块化RAG 模块化RAG集成了多种方法来增强RAG的不同组成部分，如在检索器中加入相似度检索的搜索模块和应用微调方法 RAG融合（RAG Fusion） RA融合技术结合了两种方法： 多查询检索 利用 总结 本文讨论了优化RAG管道各部分和增强整体RAG流水线的各种技术。您可以在您的RAG流水线中使用这些技术中的一种或多种，从而使其更加准确和高效。 原文标题：Advance RAG- Improve RAG performance 副标题：Ultimate guide to optimise RAG pipeline from zero to advance
1.5K20编辑于 2024-06-28 - 来自专栏Dechin的专栏
MindSpore多元自动微分
本文我们将探索如何用MindSpore去实现一个多维的自动微分，并且得到该多元函数的雅可比矩阵。
62320编辑于 2022-05-06 - 来自专栏coder
什么是 RAG，为什么要用 RAG？
为什么要用 RAG ？ RAG 引用信息来源是用户可以核实答案，因此其透明透非常高，这增强了人们对模型输出结果的信任。 透过获取与特定领域数据，RAG能够为不同领域提供专业的知识支持，定制能力非常高。 由于 RAG 不需更新模型参数，因此在处理大规模数据集时，经济效率方面更具优势。 不过虽然RAG有许多优势在，但这3种方法并不是互斥的，反而是相辅相成的。 什么是 RAG ？ 这篇章旨在介绍 RAG 的过程与其使用的相关技术。 RAG 生态系 RAG 的生态系蓬勃发展，在水平领域，从最初的文本问答领域以外，RAG 的应用逐渐拓展到更多模态数据，包括图像、代码、结构化知识、影音等。 在这些领域，已经涌现许多相关研究成果。
72610编辑于 2024-09-06 - 来自专栏Reinvent Data Science
RAG 修炼手册｜如何评估 RAG 应用？
当以黑盒方式来评估 RAG 应用时，我们看不到 RAG 应用的内部，只能从输入给 RAG 应用的信息和它返回的信息来评估 RAG 的效果。 对于一般的 RAG 系统，我们只能访问这三个信息：用户提问（User's query）、RAG 系统召回的引用上下文（retrieved contexts）、RAG 系统的回答（RAG's response 我们使用这三个信息来评估 RAG 应用的效果，黑盒方式是一种端到端的评估方式，也比较适用于评估闭源的 RAG 应用。 当以白盒方式来评估 RAG 应用时，我们能看到 RAG 应用的内部所有流程。 白盒方式可以用来评估开源 RAG 应用，或者提升自研 RAG 应用。 02. ）、RAG 系统的回答（RAG's response）。
1.5K12编辑于 2024-04-25 - 来自专栏周末程序猿
RAG实战|8种RAG架构浅析
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。 Corrective RAG 简介： Corrective RAG 在传统 RAG 基础上引入了文档质量评估和自我修正机制。 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。 Graph RAG 简介： Graph RAG 将知识图谱技术与 RAG 相结合，通过从文档中抽取实体和关系构建知识图谱，并进行社区检测和摘要生成。 SFR RAG 简介： SFR RAG（Salesforce Research RAG）是工业级高质量 RAG 的最佳实践。
1.1K10编辑于 2025-12-30 RAG 2.0，让RAG 终成正果
然而，像Contextual.ai提出的基于情境语言模型（CLMs）的“RAG 2.0”这样的案例却很少见，它试图让目前最流行（如果不是最受欢迎的话）的生成式AI模型实现方式之一——标准检索增强生成（RAG 提出这种主张的，恰恰是RAG的创造者。 虽然这是对生产级生成式AI现状的一次重大改进，但整个子领域仍存在一个疑问：RAG是否正在走向末路，这些创新是否只是在对一个已经死去的马施加无效的鞭打？ 这就是RAG发挥作用的地方。 这个类比背后的原因是因为标准的RAG系统组装了三个不同的组件，这些组件是分别预训练的，并且根据定义，它们本来就不应该在一起。 相反，RAG 2.0系统从一开始就被定义为“一体”。 总的来说，我们很快就能看到处理极长序列的成本仅为现在的一小部分，这应该会增加对RAG架构需求的怀疑。 当那个时刻到来时，我们可以几乎肯定它会发生，我们还会依赖RAG吗？
1.7K51编辑于 2024-04-24- 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。 其核心概念可归纳为以下六个方面： 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。 上下文融合（Context Fusion） 上下文融合是指将检索到的知识与用户输入有效整合的过程，这是RAG系统中至关重要的环节。 通过多维度指标的综合分析，可针对性优化RAG系统的薄弱环节，实现高效可靠的知识增强生成。 6. 应用场景与挑战 典型场景：开放域问答、文档摘要、客服自动化、代码生成。 理解这些概念有助于设计高效、可靠的RAG系统，尤其在减少生成错误与提升信息可信度方面具有显著优势。 8.
96310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