rag

感觉程序员要被 AI 淘汰了?学什么才有机会?

假设 AI 是个能独立思考、有手有脚的数码宝贝。它很强,你让它写代码,它也能写,写得还比人更快更好;但是,它要是不听话,程序跑不起来、多写几个 Bug 都是小事,搞不好把你整个电脑都给烧了。而且一旦 AI 搞砸了、黑化了,往你的代码里加点小广告、加点 “老八秘

智能体 程序员 rag prompt mcp 2025-04-03 16:30  2

从 RAG 应用中你能学到什么? (文本-Embedding)

在 RAG 中前面讲解了文本切块方式,对于切块之后的语义块单元,接下来就是进行文本embedding 操作,以供下一步的文本块检索(retriever);准确的文本embedding 对下游召回任务的准确性至关重要.前面有过两篇文章介绍过文本embedding

rag dd mbe rag应用 mbedd 2025-04-02 17:30  3

改进RAG:利用混合搜索与重排序优化检索效果(含代码示例)

RAG 通过结合信息检索和语言生成能力,让模型在生成文本时能够参考相关的外部知识,从而生成更准确、更具针对性的内容。然而,在实际应用中,RAG(企业 RAG 准确性提升全流程指南:从数据提取到精准检索) 面临着诸多挑战,其中准确检索相关信息是关键问题之一。本文

搜索 代码 rag query postgresql 2025-04-02 14:55  2

只是文档灌Dify?RAG发展一篇文就入门!

LLM 训练不是实时的,而是离线训练好的。在训练过程中,使用的数据都是提前准备的,而且大多数是公开、开源的数据,这就导致了 LLM 训练后具备的知识是有范围的。换句话说,模型知识仅限于训练数据所涵盖的知识范围,对于新的知识(比如今天的新闻)或未训练的知识(比如

rag llm query dify naive 2025-04-02 09:17  2

【分享】Dify v1.1.0 发布:增加元数据属性,RAG 检索效率翻倍

近期, Dify v1.1.0,并推出了以“元数据”作为知识过滤器的新功能。通过利用自定义的元数据属性,元数据过滤能够提升知识库中相关数据的检索效率和准确度。过去,用户只能在庞大的数据集中进行搜索,无法根据特定需求进行筛选或控制访问,难以快速锁定最相关的信息。

rag 分享 访问控制 字符串 dify 2025-04-02 08:39  2

MVP 聚技站|推理检索增强(RRAG)—对传统 RAG 的增强优化

在当前的大型语言模型(LLM)实践中,我们面临着许多挑战,因为 LLM 目前的局限性和无法低成本的融合外部知识,因此在企业实践时,我们需要通过外部数据库将企业知识和大模型进行连接。目前的主流方案是我们尝试将企业文档存储在向量库中,然后通过检索相关的 chunk

推理 rag llm mvp rrag 2025-03-31 09:04  3

RAG进阶:扫描版PDF处理方案实测,突破知识库建设的最后一公里

"为什么我的RAG效果这么差?" "又在为知识库准确率发愁?" "找到好的开源方案了吗?"作为一个技术博主,我理解大家的焦虑。但是,很多人忽略了问题:你的核心知识真的都在网上吗?事实是,很多最有价值的知识,往往躺在那些积灰的档案袋里 - 技术手册、项目总结、研

pdf rag metadata 知识库 len 2025-02-16 03:51  5

个人对 Agent Memory 的看法和总结

很显然,现在对于 agent Memory 的研究是极其匮乏的,调研了现在所有的文献以及开源仓库,我稍微做一下总结。当然,其实不仅仅是 memory,所谓的 memory 其实包含了 knowledge,他是一个所有信息存储的综合。也就是说,RAG 这种信息检

rag agent workflow agentmemory 2025-03-30 01:08  4