相关文章
2026 篇高质量内容
RAG之对于非结构性数据提取
深入解析非结构化数据提取技术，探索表格数据转文本的高效方法。 核心内容： 1. 非结构化数据提取的现实挑战与需求 2. 多模态技术在非结构化数据处理中的应用 3. RAG技术对垂直领域回答能力的提升
什么是Embedding向量模型？我们应该如何选择？
Embedding向量模型——理解数据的桥梁，助力机器智能处理。 核心内容： 1. Embedding模型定义及其在数据表示中的作用 2. Embedding模型的工作原理与应用场景 3. 不同Embedding向量化方法的介绍与比较
RAGFlow创建知识库
掌握RAGFlow知识库建设，提升AI聊天智能水平。 核心内容： 1. 系统模型设置及模型供应商选择 2. 知识库创建与配置步骤详解 3. 文件上传与管理，分块模板选择与嵌入模型应用
精通代理性RAG：实施自我评估机制以增强信息检索的5个步骤
掌握Agentic RAG，提升你的信息检索能力！ 核心内容： 1. 理解LLM和RAG系统的发展背景 2. Agentic RAG如何通过自我评估增强信息检索 3. 使用GPT-4实现Agentic RAG的详细步骤
RAG 的五大范式
探索RAG技术五大范式，深入了解文档检索与生成的最新进展。 核心内容： 1. Naive RAG的向量化存储与检索机制 2. Advanced RAG的优化策略与应用场景 3. Modular RAG的模块化设计和灵活组合 4. GraphRAG基于图的索引与检索 5. Agentic RAG的智能代理管理和动态协调
陶哲轩使用o3 mini一手测评来了：好坏参半
数学大师陶哲轩亲测AI助手o3 mini，体验好坏参半，值得关注！ 核心内容： 1. 陶哲轩用o3 mini解决图论定理，快速获得满意答案 2. 进一步追问经典推论时，模型表现不佳，细节缺失 3. 陶哲轩总结：AI助手在快速获取论证细节方面有优势，但并非万能
Anything LLM高级用法-deepseek本地调用神器
掌握本地知识库问答系统的高级应用，提升信息检索效率。 核心内容： 1. Anything LLM工具与大语言模型（LLM）的结合方式 2. Embedding和Vector Database在构建知识库中的作用 3. 配置Anything LLM的基本步骤和个性化设置
Rig Agents：高阶LLM编排框架
探索Rig Agents在LLM应用开发中的高效管理和集成策略。 核心内容： 1. Rig Agents的核心概念与价值 2. Agent的核心结构和组件解析 3. 实际应用开发中的使用方式和示例代码
终于出手了，微信公众号原生 RAG 上线，官方 AI 知识库来了！
微信公众号正式引入RAG系统，开启AI知识库新纪元。 核心内容： 1. 微信公众号RAG系统上线背景及开通流程 2. RAG系统基本使用指南和当前功能展示 3. RAG系统的未来迭代展望及潜在应用场景
博查正式发布语义排序模型（bocha-semantic-reranker）
探索博查语义排序模型，提升搜索结果准确性。 核心内容： 1. 博查语义排序模型（bocha-semantic-reranker）的发布及其API 2. 模型工作原理：基于文本语义的二次排序优化 3. 语义排序模型的必要性及其对RAG应用的影响
AI比人类更需要搜索引擎，我们专门为AI设计了一个搜索引擎
AI技术新突破，专为AI设计的搜索引擎面世，提供实时知识搜索服务 核心内容： 1. AI对搜索引擎的需求超越人类，原因解析 2. 博查AI搜索引擎的功能与优势，三大Search API介绍 3. 博查AI搜索引擎的应用场景与行业影响
超越 RAG：Memobase 为 AI 应用注入长期记忆
Memobase引领AI应用进入长记忆时代，打破“健忘症”魔咒，让AI更懂你。 核心内容： 1. AI记忆概念及类型解析 2. Memobase如何解决AI产品记忆痛点 3. Memobase核心功能及应用场景介绍
【AI落地应用实战】RAGFlow + 知识图谱 + Deepseek 初步探索
探索AI技术在知识产业的颠覆性应用，RAGFlow与知识图谱的结合如何突破传统限制。 核心内容： 1. LLM和RAG的结合在知识产业中的潜力与挑战 2. 传统RAG在构建知识库时面临的三大核心问题 3. RAGFlow和Deepseek如何优化知识检索与应用
为什么RAG系统要拥抱向量检索？揭示关键字检索的致命弱点！
深入解析RAG系统选择向量检索的原因，揭示传统关键字检索的不足。 核心内容： 1. 关键字检索无法理解语义信息，导致匹配不准确 2. 向量检索通过捕捉语义相似度，有效解决传统问题 3. RAG系统中向量检索的应用优势与技术细节
不要盲目再使用DeepSeek R1和QWQ这些推理模型做RAG了
探索DeepSeek R1在法律文件RAG系统中的应用与局限。 核心内容： 1. DeepSeek R1构建法律文件RAG系统的技术细节 2. 为何DeepSeek R1不适合用于检索任务 3. 宝贵的实践经验分享：哪些方法有效，哪些无效
r1-reasoning-rag：一种新的 RAG 思路
探索未来RAG技术的革新，体验动态信息检索的魅力。 核心内容： 1. RAG技术的新思路：结合DeepSeek-R1推理能力 2. 动态信息检索与回答机制的实现 3. 新旧RAG技术对比及DeepSeek-R1推理能力详解
DeepSeek-R1 x Agentic RAG：构建带深度思考开关的知识研究助理｜深度长文
探索知识研究助理的未来，深度思考与检索结果的完美结合。 核心内容： 1. DeepSeek-R1与Agentic RAG结合的背景与需求 2. 工作流程设计：从构建研究大纲到生成最终结果的详细步骤 3. DeepResearch开关：如何根据需求选择研究深度
通过Milvus内置Sparse-BM25算法进行全文检索并将混合检索应用于RAG系统
Milvus 2.5版本带来的全文检索与混合检索新特性，助力企业实现高效AI向量数据检索。 核心内容： 1. Milvus 2.5集成Tantivy，支持原生全文检索 2. 内置分词器与实时BM25统计，提升检索效率 3. 混合检索性能增强，兼容稠密向量查询
Graph RAG 迎来记忆革命：“海马体”机制如何提升准确率？
探索AI记忆革命，HippoRAG 2如何引领RAG技术突破。 核心内容： 1. HippoRAG 2框架创新及其对LLMs学习能力的提升 2. 长期记忆机制对RAG准确率的显著影响 3. HippoRAG 2在实际应用中的优势示例分析
Windows 部署 DeepSeek 本地 RAG 保姆教程：低配秒变AI工作站，断网也能稳如老狗！
掌握本地部署RAG技术，提升信息处理能力，无需联网也能高效工作！ 核心内容： 1. RAG技术原理与应用场景介绍 2. 本地部署RAG的优势分析 3. DeepSeek-R1模型本地部署步骤详解