相关文章
2081 篇高质量内容
RAG技巧与底层代码剖析
深入剖析RAG技术，手把手教你从零构建RAG系统！ 核心内容： 1. RAG技术原理与Python基础库实现 2. 从文本预处理到生成优化的完整流程 3. 9大实战技巧助你突破回答质量瓶颈
为什么 RAG 一定需要 Rerank？
深入解析RAG技术中重排序（Rerank）的不可或缺性，为你揭开提升问答任务效果的关键。 核心内容： 1. RAG与传统检索增强生成的差异 2. 召回率与上下文窗口在RAG中的影响 3. 重排序（Rerank）作为提升RAG效果的解决方案
关于 RAGFlow 项目中 RAG 技术的实现分析
深入探索RAGFlow项目中RAG技术的创新实践和核心实现。 核心内容： 1. RAGFlow项目概述及其在深度文档理解中的应用 2. 多格式文档解析和视觉信息处理技术 3. 文档切分策略和Embeddings模型选择与配置的关键点
RAGFlow中的Embeddings模型选择及向量数据库选型与实现分析
深入探索RAGFlow项目中Embeddings模型的选型与配置，以及向量数据库的技术细节。 核心内容： 1. RAGFlow中Embeddings模型的接口设计与配置 2. 支持的Embedding模型及其特点 3. 向量数据库的选型与实现分析
知识图谱+RAG：大幅提升智能问答系统准确率
探索知识图谱与RAG技术结合的前沿进展，揭示智能问答系统性能飞跃的秘诀。 核心内容： 1. RAG技术面临的挑战及知识图谱的引入 2. 知识图谱赋能RAG的理论框架与优势 3. 行业实践案例与性能提升效果分析
“一代更比一代强”：现代 RAG 架构的演进之路
掌握RAG技术演进，解锁企业AI应用新高度。 核心内容： 1. Naive RAG基础架构及其挑战 2. RAG的三大优化方向：查询优化、语义增强、计算效率 3. Agentic RAG的核心机制与范式突破
使用LangGraph构建一个RAG Agent
探索LangGraph在RAG Agent中的应用，实现知识与生成的完美融合。 核心内容： 1. RAG Agent核心逻辑：检索、增强、生成 2. 文档预处理与检索工具创建 3. 使用LangGraph构建RAG Agent的详细步骤
RAG技术全解析：从基础原理到优化实战
深入了解RAG技术，探索其在增强大型语言模型中的应用和优化技巧。 核心内容： 1. RAG技术的定义及其解决的问题 2. RAG流程的详细解析，包括文档处理和检索生成 3. RAG优化实战，包括代码实现和性能评估
从传统 RAG 到知识图谱 + Agent，知识库 AI 问答成功率终于达到 95% 了，来自蚂蚁集团的经验
蚂蚁集团如何将知识库AI问答成功率提升至95%？揭秘领域知识管理和AI问答的奥秘。 核心内容： 1. 传统RAG方案的优化路径和效果评估 2. 知识图谱和DeepSearch方案的构建与优化 3. DeepSearch Agent的迭代式搜索框架和领域助手agent的应用
基于Bad Cases的Dify合同审查案例演示（工作流拆解）
深入揭秘基于Bad Cases的智能合同审查技术。 核心内容： 1. RAG技术在合同审查中的应用与挑战 2. 传统合同审查工具的局限性分析 3. Dify工作流案例演示与解决方案
RAG 系统落地的8个常见问题和解决方案
深入解析RAG系统实施中的挑战与应对策略。 核心内容： 1. RAG系统落地时的8个常见问题概览 2. 知识库资料处理的重要性与优化方案 3. 大模型在RAG系统中的职责与使用误区
知识问答的终极形态：突破传统RAG的局限
突破传统RAG局限，探索知识问答的未来形态。 核心内容： 1. 传统RAG技术面临的挑战与局限 2. 知识问答终极形态的四大核心要素 3. 医疗诊断场景下的终极形态应用案例
10 分钟搭建大模型 RAG 智能问答系统
快速搭建微信公众号智能问答系统，实现业务知识自动回复 核心内容： 1. 利用阿里大模型平台“百炼”搭建智能问答系统 2. 通过DataNotes建立公众号与大模型平台连接，实现问答交互 3. 导入业务数据，开启RAG知识库引用，提升问答效果
图解 RAG 的 5 种分块策略
深入解析RAG模型分块策略，掌握文本处理的关键技巧。 核心内容： 1. 固定大小分块：简单高效，但可能破坏语义 2. 语义分块：保持语言流畅性，提高检索准确性 3. 递归分块：保持语义完整性，实现复杂性较高
RAG（检索增强生成）：提升大语言模型性能的终极指南
探索RAG技术如何革新大语言模型，突破知识边界，实现智能飞跃。 核心内容： 1. 大语言模型面临的时效性与知识边界挑战 2. RAG技术的核心逻辑及其三大应用场景 3. RAG技术架构的四步实现流程详解
DO-RAG：一种使用知识图谱增强检索辅助生成的领域特定问答框架 - 清华大学等
清华大学等机构最新研究，突破领域特定问答系统准确性和召回率难题。 核心内容： 1. DO-RAG框架：结合多级知识图谱和语义向量检索，提升领域问答性能 2. 代理思维链架构：从多模态文档中提取结构化关系，构建动态知识图谱 3. 实验评估：在数据库和电子领域实现高召回率和答案相关性，性能显著提升
90%企业不知道的RAG优化秘籍：Dify原生集成RAGflow (2)
RAG优化秘籍，Dify与RAGflow集成实战经验分享。 核心内容： 1. RAGflow与Dify集成时的Redis冲突问题 2. Docker服务改造与配置文件修改技巧 3. 知识库创建及连接RAGflow的操作步骤
RAG其实并没有你想的那么简单，Late Chunking vs Contextual Retrieval解决上下文难题
探索RAG技术在上下文处理上的挑战与创新解决方案。 核心内容： 1. RAG技术基本原理及其面临的上下文挑战 2. Late Chunking与Contextual Retrieval两种策略对比 3. 上下文丢失问题对RAG性能的影响分析
基于Gemini与Qdrant构建生产级RAG管道：设计指南与代码实践
掌握RAG技术，构建高效智能助理。 核心内容： 1. RAG技术在动态领域的关键应用 2. RAG与微调、CAG的技术对比及机场场景选择 3. 生产级RAG管道的架构设计与代码实践
RAG和向量数据库之间有什么关系?
探索RAG和向量数据库在大语言模型中的关键作用。 核心内容： 1. RAG的定义及其组成部分 2. 向量数据库的功能与应用场景 3. RAG与向量数据库如何协同工作以增强生成准确性