- 综合排序
- 最热优先
- 最新优先
批量关键词检索：使用腾讯云ADP搭建智能信息检索智能体
腾讯云智能体开发平台（TencentCloudADP）构建的批量关键词检索智能体是新一代智能信息检索解决方案。 同时调用多个数据源API进行并行检索●智能负载均衡：动态分配检索任务，避免API限流●实时结果汇总：实时收集和初步整理各源检索结果第三层：智能分析输出层●相关性智能评估：基于AI算法评估结果与关键词的相关性 ●质量评分排序：多维度质量评估和智能排序●结构化数据输出：生成标准化的数据报告和可视化图表分步详解第1步：关键词预处理功能说明：对输入的批量关键词进行智能预处理，确保检索质量和效率。 ：对检索结果进行多维度智能评估，生成结构化报告和可视化图表。 ●PDF报告：可视化分析报告●JSON数据：结构化数据接口●图表可视化：趋势图、分布图、对比图结论基于腾讯云智能体开发平台（TencentCloudADP）构建的批量关键词检索作为新一代智能信息检索解决方案
14710编辑于 2026-03-24- 来自专栏muller的测试分享
人工智能|RAG 检索增强生成
它能够通过检索大规模文档集合来提供准确的答案，无需针对每个问题进行特定训练。 智能助手和虚拟代理（Intelligent Assistants and Virtual Agents）：RAG 可以用于构建智能助手或虚拟代理，结合聊天记录回答用户的问题、提供信息和执行任务，无需进行特定任务微调 信息检索（Information Retrieval）：RAG 可以改进信息检索系统，使其更准确深刻。用户可以提出更具体的查询，不再局限于关键词匹配。 让其变的易检索。这个预处理的过程，就使用了向量数据库以及embedding。 相关资料RAG 官方文档说明总结理解什么是 RAG 检索增强。理解 RAG 检索增强应用场景。了解 RAG 检索增强有哪些相关的使用方法。
66910编辑于 2024-07-24 - 来自专栏数据挖掘
向量相似度检索在智能驾驶领域的应用
行业内智能驾驶技术发展到一定阶段既会存在数据挖掘的挖掘的需求，尤其针对边缘case的挖掘，如何利用互联网技术实现智能驾驶场景的挖掘是我刚入智能驾驶行业遇见的首要问题。 背景智能驾驶领域的数据挖掘大致可分为两种：面向感知领域的静态场景挖掘，例如：路面反光场景、眩光场景、镜头脏污场景、异型车、隧道场景、树荫遮挡场景、带草砖路面场景、高架场景等。 本文借用基于向量相似度检索技术实现以图搜图、以文搜图等技术，并赋能智能驾驶场景挖掘，这对静态稀有场景的挖掘至关重要。 实践证明以图搜图技术较适合图片中大粒度特征的数据挖掘，例如‘带草砖的车位’、‘树荫挖掘’等，针对地锁、锥桶等小目标采用相似度检索技术仍是业界难题，针对小目标的挖掘较适合用YOLO系列的模型，或者使用clip
26710编辑于 2025-06-06 - 来自专栏产品笔记
RAG智能问答系统为什么要使用混合检索？
检索增强生成简称RAG（Retrieval-augmented Generation），RAG为大语言模型安装了知识外挂，基础大语言模型不用训练，通过RAG技术与大语言模型结合在回答问题的时候，可以通过企业内部的知识库检索相关和最新的信息来生成内容 01 — 为什么要用混合检索？ 在RAG智能问答系统中，RAG检索环节中的检索的方式采用向量检索，即通过语义相关度匹配的方式进行检索。 在文本搜索场景，首先需要确保最相关的结果能够出现在检索的结果中。向量检索和关键词检索各有优势，而引入混合检索结合了两种搜索技术的优点，并且弥补了各自的缺点。 02 — 什么是混合检索？ 混合检索是结合了两种或者多种搜索算法提高搜索结果相关性的搜索技术。而在RAG系统中，混合搜索最常见指向量检索和关键词检索的组合。 不同的检索系统在寻找文本中各自擅长之间存在不同的联系，没有任何一种检索模式能够适用全部的情景，混合检索通过多个不同的检索系统组合，结合不同检索系统的优势，实现多个检索技术直接的互补。
79610编辑于 2024-03-06 - 来自专栏大数据杂货铺
全文检索、向量检索和混合检索的比较分析
全文检索 全文搜索是指将部分或全部文本查询与数据库中存储的文档进行匹配。与传统的数据库查询相比，全文搜索即使在部分匹配的情况下也能提供结果。 矢量搜索 矢量搜索是人工智能驱动的搜索方法。它不是查找与文本查询匹配的文档，而是允许查找具有相似语义的文档。这是通过建立大型语言模型（LLM） 提供的文本语义理解来实现的。 它建立在全文搜索的可访问性、即输入即搜索体验的基础上，并集成了人工智能搜索支持的增强发现功能。 Elasticsearch 用户越来越多地使用不同类型信息的搜索检索 — BM25 用于文本，向量搜索用于密集向量。 混合搜索将全文搜索的可访问性与人工智能实现的改进发现相结合。 混合搜索是现代搜索方法，将最先进的搜索功能统一到单个 API 后面。
6.2K10编辑于 2024-04-24 - 来自专栏啦啦啦啦前端
信息检索格式 布尔检索式
信息检索格式 布尔检索式 名称 符号 表达式 功能 逻辑与 * 或and AB 同时含 有提问词A和B的文献，为命中文献 逻辑或 + 或or A+B 凡是含有提问词A或B的文献，为命中文献 逻辑非
1.6K40编辑于 2023-02-11 - 来自专栏ATYUN订阅号
人工智能平台Jane为企业提供高效信息检索
这就是前Answers.com首席执行官David Karandish创立了Jane.ai的原因，这是一个可以从云存储提供商，团队等索引数据的人工智能平台。 Jane是一个直观，智能的AI，可以让员工即时访问他们需要的信息，以便完成他们的工作。“ Jane.ai服务分为两部分。
88720发布于 2018-07-27 - 来自专栏TechLead
深入探索智能问答：从检索到生成的技术之旅
在本文中，我们深入探讨了自然语言处理中的智能问答系统，从其发展历程、主要类型到不同的技术实现。文章详细解析了从基于检索、对话到基于生成的问答系统，展示了其工作原理和具体实现。 一、智能问答概述 智能问答 (Intelligent Question Answering, IQA) 是自然语言处理（NLP）中的一个核心子领域，旨在设计和开发可以解析、理解并回答用户提出的自然语言问题的系统 ---- 三、智能问答系统的主要类型 智能问答系统因应用场景、数据源和技术手段的不同而存在多种类型。以下是其中的一些主要类型及其特点： 基于知识库的问答系统： 依赖预定义的知识库来检索答案。 基于检索的问答系统： 从大量文本数据中检索与问题相关的片段。 依赖高效的信息检索技术。 能够处理开放领域的问题，但答案的准确性可能受限于数据源的质量。 ---- 五、基于检索的问答系统 基于检索的问答系统是指根据用户问题的语义信息，从一个预先存在的大型文档或FAQ集中检索并返回最相关的答案。
2.3K30编辑于 2023-10-21 - 来自专栏算法与编程之美
网页|高级检索与专业检索
1、高级检索 高级检索也称命令检索，是相对于基本检索而言，高级检索可以让你使用多于基本检索的标准来精炼检索，使检索信息更加详细，搜索出的结果可用性也更大。 ? 图1.1 百度高级检索示例图 ? 示例：知网上检索关键词包括“人工智能”，但不包括“大数据”，作者单位为“清华大学”，发表时间从2019年到2020年。 ? ，； 示例1：知网检索主题包含”人工智能“及”大数据“并且全文不包括”科学“的文献专业检索式 专业检索式：SU=('人工智能'*'大数据')-'研究'。 检索结果： ? 图2.3 示例1检索结果 示例2：百度检索在网址www.baidu.com内搜索标题包括人工智能、大数据但不包括发展，搜索格式为.doc的内容。 专业检索式：filetype:doc site:(baidu.com) title:(人工智能 "大数据" -(发展)) ?
4.3K20发布于 2020-07-16 - 来自专栏AI研思录
颠覆传统检索：RAPTOR检索树提升检索准确率20%！
然而，现有的检索增强方只能检索几个简短的、连续的文本块，这对于需要整合文本多个部分的知识的问题是不够的，限制了它们表示和利用大规模语义结构的能力。 这篇文章提出了一种新颖的方法——检索树，即考虑了广泛的主题理解，也考虑了细粒度的细节信息。 在推理时，使用RAPTOR模型从这棵树中进行检索，在不同抽象层次上整合信息，以跨越较长文档进行理解。 采用递归聚类和汇总技术，RAPTOR创建了一个分层树结构，能够跨检索语料库的各个部分综合信息。在查询阶段，RAPTOR 利用此树结构进行更有效的检索。 实验表明，使用递归总结的检索方法在多个任务上相较于传统的检索增强语言模型提供了显著的改进。在涉及复杂、多步骤推理的问题解答任务中，展示了最优的结果。
74810编辑于 2025-02-20 智能体记忆系统检索优化：告别“答非所问”的实战指南
摘要 在AI智能体应用日益普及的今天，记忆系统检索不相关结果已成为制约用户体验的核心痛点。 本文从技术原理出发，深度解析智能体记忆检索优化的关键策略，并重点介绍腾讯云智能体开发平台如何通过创新技术帮助企业破解这一难题。 正文 一、记忆检索的三大核心挑战 智能体记忆系统检索不相关主要源于三大挑战。 三、腾讯云智能体开发平台：智能检索优化的实战利器 腾讯云智能体开发平台（Tencent Cloud ADP）作为企业级智能体构建平台，在记忆检索优化方面展现出三大核心优势： 领先的混合检索架构是ADP的突出特点 结语 在AI智能体应用爆发式增长的今天，智能体记忆系统检索优化已成为提升用户体验的关键。
34710编辑于 2025-10-29- 来自专栏腾讯云存储
数据万象推出智能检索MetaInsight，现已开启限时公测
数据万象推出的智能检索 MetaInsight 服务将多模态检索与元数据管理方式相结合，自动为云上的文档、图片、音视频等非结构化数据提供智能数据处理、分析、检索全流程服务，支持语义检索、标签检索、元数据管理 目前，智能检索MetaInsight正在限时免费公测中，结束时间为2024年8月31日。 智能检索 MetaInsight 可以自动分析文件的内容并建立索引，支持根据自然语言检索图片，按图片检索图片等，用户可以通过自然语言进行跨模态的文件检索，比如输入一句话就能找到需要的照片素材。 语义检索效果展示 ｜标签检索 智能检索 MetaInsight 提供不同业务所需的算子，例如基础信息算子，可自动化提取文件的各类元信息，抑或是媒体信息算子，可提取音视频文件编码格式、码率等元信息，还有各类型的智能算子 contentType:image/jpeg 标签检索 ｜元数据管理 通过智能检索 MetaInsight ，COS 用户上亿级别的文件管理与统计都将不再是问题，智能检索 MetaInsight 可与
71610编辑于 2024-07-02 - 来自专栏大猪的笔记
检索日志
有时需要在大量日志中查找某个关键字。可用以下命令： find . -name "86??"|xargs grep -rn "get_web not hit cache" 从日志命名为 86xx的文件中
69140发布于 2019-11-22 - 来自专栏desperate633
第2-3课 检索数据检索列检索排序数据
这两课主要介绍sql中利用select语句对数据的简单检索。 下面分别讨论不同类型的检索 检索列 单个列 select prod_id from Products; 多个列 select prod_id, prod_name, prod_price from Products ; 所有列 select * from Products; 检索不同值 的列 select distinct vend_id from products; 检索前几列或者后几列 select prod_name from products limit 5; select prod_name from products limit 5 offset 5; 检索排序数据 单个列排序 select prod_name
1.1K20发布于 2018-08-22 - 来自专栏机器学习、深度学习
行人检索
quadruplet network for person re-identification CVPR2017 https://arxiv.org/abs/1704.01719 本文使用深度学习进行行人检索
1K20发布于 2019-05-26 - 来自专栏技术研究和应用
【向量检索研究系列】本地向量检索（下）
1 背景上一篇文章《向量检索研究系列：本地向量检索（上）》介绍了如何加快向量相似度计算，但是一般的向量检索流程还包括对计算结果进行排序，以及有必要的话，在计算相似度之前可以对向量库中的向量进行过滤筛选（ 图片2.1 向量过滤把广告通过模型转成向量后，向量应该关联广告的一些基本信息，广告检索条件是基于这些广告属性的，检索的时候可以根据检索条件在向量关联的广告信息中进行向量的筛选过滤。 检索时把检索条件在第一个Map中查询到满足检索条件的广告ID列表，再根据ID列表从第二个Map中取出对应向量列表。大致结构可以参考2.2中向量存储方案图。 （2）优化后本地向量检索P99时延降低50倍，平均时延降低180倍。（3）优化后本地向量检索时延分布，99.2的检索时延都在1ms以内。 本地向量检索方案可以为100万以下数据量的业务提供快速、高性能且稳定的向量检索方案。SIMD自定义编程可以在应用到其它偏数学计算的业务，加速计算。
2.3K31编辑于 2022-07-14 - 来自专栏技术研究和应用
【向量检索研究系列】本地向量检索（上）
在数据量不大但检索QPS非常高的场景下，使用第三方的向量检索产品可能并不一定是最佳选择，像开源的Faiss、HNSWliib和ScaNN这些优秀的向量检索库比较适用于上亿数量级，而且第三方服务毕竟存在网络请求开销和不稳定性因素 ，高并发场景下容易导致检索平均时延上升和出现很多毛刺现象。 而百万以内的数据是可以接受在业务服务本身内存中存储，这样可以省去很多网络请求时延，而且在服务本身做向量检索，不依赖第三方服务，检索性能相对稳定。 但是在业务服务本身做向量检索会消耗比较多的CPU资源和内存资源，CPU资源是比较稀缺的，而且普通的向量检索效率比较低，时延比较长，如何减少资源消耗和加快向量检索效率成为了优化目标。 但实际上向量检索的流程还有前置的向量过滤（可选流程）和后置的检索结果排序，这两个方面也有进一步优化的空间，以及整体优化后的效果将在下一篇文章《向量检索研究系列：本地向量检索（下）》中进行详细介绍。
1.6K31编辑于 2022-09-13 - 来自专栏铭毅天下
Elasticsearch：普通检索和向量检索的异同？
读者对向量检索和普通检索的区别充满了好奇，所以就有了今天的文章。 以广泛被使用的 Lucene、Elasticsearch、Solr，以及最近出来的一些类似 MeiliSearch、Redisearch 等为代表，基于词元和倒排索引所构建的普通搜索，是建立在准确的搜索内容和检索语句上的 ，他们往往通过各种方式对文档进行分词（analyze），通过诸如BKD tree等数据结构，将拆解出来的词元（token）进行倒排索引，在检索时也会对检索语句进行同样的分词处理，通过相同词元的匹配进行召回
5.7K10编辑于 2022-02-09 - 来自专栏铭毅天下
Elasticsearch 8.X 向量检索和普通检索能否实现组合检索？如何实现？
Elasticsearch：普通检索和向量检索的异同？ knn 检索咱讲过，翻一下官方文档即可。 结论：并列组合检索不可行。 2.3.2 方式二：大 BOOL 组合写 按照常规逻辑的 bool 组合检索，结果发现：并不支持！ 2.3.5 官方答案二：hybrid search 混合检索 这个方式，就是咱们前面验证过的并列组合检索方式。结论和之前一致，并没有达到预期。 基于已有的常识组合检索是一种方式，更快的方式是结合官方文档探究。 我们既定认为的检索方式，不见得是官方推荐的方式。
1.6K10编辑于 2024-04-11 - 来自专栏大猪的笔记
信息检索：布尔检索-建立倒排索引(2)
倒排索引用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。假定我们有3个文档：
1.6K20发布于 2019-11-21
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