RAG 第13页

AI大模型的制作：RAG和向量数据库，分别是什么？

目录一、什么是AI大模型二、RAG三、向量数据库四、如何制作一个好的AI大模型一、什么是AI大模型AI大模型是指具有大规模参数和复杂结构的人工智能模型。

杨荧·2023-11-19 23:55

五分钟——在ML Studio里跑基于ACS的RAG聊天

检索增强生成(RetrievalAugmentedGeneration,RAG)[1]可能是最现实的GPT落地场景之一吧。

dotNET跨平台·2023-11-19 21:00

RAG检索增强生成只是起步，真正的智能问答=强化学习+大模型（各类型），实现智能调度，SELF-RAG（自反思）。

RAG检索增强生成是近期几个大模型应用方向上最难下笔的一个：一方面是因为技术方案仍在快速迭代；另一方面是市场对它的认知还存在一定偏差。

汀、人工智能·2023-11-19 19:01

《向量数据库指南》——TruLens + Milvus Cloud 构建RAG案例

具体案例如前所述，RAG配置选择可能对消除幻觉产生重大影响。下文中将基于城市百科文章构建问答RAG应用并展示不同的配置选择是如何影响应用性能的。

LCHub低代码社区·2023-11-19 10:20

《向量数据库指南》——TruLens + Milvus Cloud构建RAG深入了解性能

深入了解性能索引类型本例中，索引类型对查询速度、token用量或评估没有明显影响。这可能是因为数据量较小的关系。索引类型对较大语料库可能更重要。Embedding模型text-embedding-ada-002在准确性(0.72，平均0.60)和答案相关度(0.82，平均0.62)上优于MiniLMEmbedding模型。两者在上下文相关度上表现一致。这个结果可能是OpenAIEmbedding更

LCHub低代码社区·2023-11-19 10:20

如何利用 instructor 提高 RAG 的准确性和召回率

本文首发于博客LLM应用开发实践RAG（RetrievalAugmentedGeneration）是一种检索增强生成技术，它利用大型语言模型来处理用户查询，RAG技术的主要组成包括数据提取—embedding

骑猪兜风233·2023-11-19 06:11

改进召回（Retrieval）和引入重排（Reranking）提升RAG架构下的LLM应用效果

改进召回（Retrieval）和引入重排（Reranking）提升RAG架构下的LLM应用效果原创ullyAI工程化2023-08-2421:08收录于合集#LLM应用架构3个#领域技术13个动手点关注干货不迷路如前文

AI生成曾小健·2023-11-19 06:56

3分钟探索生成式AI｜探讨提示词工程领域的详细配置

什么是RAG（RetrievalAugmentedGeneration）？关于“生成式AI”你是否存有以上疑惑。

亚马逊云开发者·2023-11-19 06:58

使用GPT-4训练数据微调GPT-3.5 RAG管道

原文：使用GPT-4训练数据微调GPT-3.5RAG管道-知乎OpenAI在2023年8月22日宣布，现在可以对GPT-3.5Turbo进行微调了。也就是说，我们可以自定义自己的模型了。

javastart·2023-11-16 11:59

《向量数据库指南》——Milvus Cloud构建 RAG

在构建高效的RAG式LLM应用程序时，我们有许多可以优化的配置，不同配置的选择极大影响了检索质量。

LCHub低代码社区·2023-11-16 05:59

利用LangChain实现RAG

检索增强生成（Retrieval-AugmentedGeneration,RAG）结合了搜寻检索生成能力和自然语言处理架构，透过这个架构，模型可以从外部知识库搜寻相关信息，然后使用这些信息来生成response

taoli-qiao·2023-11-13 18:40

Langchain-Chatchat环境安装

环境安装三、使用Langchain-Chatchat3.1、下载模型3.2、设置配置文件3.3、执行一、简介基于ChatGLM等大语言模型与Langchain等应用框架实现，开源、可离线部署的检索增强生成(RAG

韩师兄_·2023-11-13 17:50

《向量数据库指南》为什么要用 LlamaIndex 和 Milvus Cloud.com搭建聊天机器人？

在上一篇文章中，我们使用MilvusCloud（全托管的Milvus云服务）搭建了一个最基本的检索增强生成（RAG）（https://MilvusCloud.com/use-cases/llm-retrieval-augmented-generation

LCHub低代码社区·2023-11-09 09:54

基于langchain，gradio实现法律AI小助手，法律RAG，通过倒入全部200+本法律手册、网页搜索内容结合LLM回答你的问题，并且给出对应的法规和网站

项目地址https://github.com/billvsme/law_ai法律AI助手，法律RAG，通过倒入全部200+本法律手册、网页搜索内容结合LLM回答你的问题，并且给出对应的法规和网站，基于langchain

billvsme·2023-11-08 21:30

LangChain之关于RetrievalQA input_variables 的定义与使用

最近在使用LangChain来做一个LLMs和KBs结合的小Demo玩玩，也就是RAG（RetrievalAugmentedGeneration）。

Charon_HN·2023-11-08 08:45

如何在搜索引擎中应用AI大语言模型，提高企业生产力？

将基于大模型的检索增强生成（RAG）集成到业务实践中，不仅是一种趋势，更是一种必要。它有助于实现数据驱动型决策，并提供个性化、自动化的服务，为业务增长和生产力提升开辟新的途径。

RPA中国·2023-11-07 10:31

LangChain+LLM实战---私有化部署RAG大模型，ChatGLM2-6B、Baichuan2-13B

图1：RAG的架构流程经过之前一段时间的捣腾，个人感觉我们的RAG应用已经来到了一个全新的层面，在语义理解（相关度）和准确度上都有了长足进步。但是问题来了。

lichunericli·2023-11-06 21:03

LangChain+LLM实战---RAG存在的问题和避免方式

RAG是各方面综合之后的最优解。下面我们来看看会有哪些方面会引起RAG的失败。1.分块（Chunking）策略和Top-k算法一个成熟的RAG应该支持灵活的分块，并且可以添加一点重叠以防止信息丢失。

lichunericli·2023-11-06 21:33

LangChain+LLM实战---使用RAG让基于LLM的ChatPDF检索能力快速提升

原文：HowtoconnectLlama2toyourowndata,privatelyLlama2是开源模型的最佳基准在几乎所有的基准测试中，Llama2的7B和40B参数模型都超过了之前最先进的开源模型猎鹰。基于其他基准测试，它与GPT3.5相当，略低于GPT4，考虑到GPT4在技术上仍处于测试阶段，这令人难以置信。你可以在这里试试Llama2。Step1:获得Llama2的许可证截至2023

lichunericli·2023-11-06 21:33

LangChain+LLM实战---手工微调embedding模型RAG检索能力

在RAG应用中，有一个我们可以去提升的环节就是——Embedding模型，我在之前的文章《大模型主流应用RAG的介绍——从架构到技术细节》也说过可以去微调embedding模型以便增强我们整体的检索能力

lichunericli·2023-11-06 20:30

Elasticsearch：RAG vs Fine-tunning (大语言模型微调)

如果你对RAG还不是很熟悉的话，请阅读之前的文章“Elasticsearch：什么是检索增强生成-RAG？”。

Elastic 中国社区官方博客·2023-11-06 06:53

智能问答进阶之路：RAG(大模型检索增强生成)框架详解与实战，融合检索与生成助力智能系统更上层楼

汀、人工智能·2023-11-03 12:56

Kaggle - LLM Science Exam（四）：Platypus2-70B with Wikipedia RAG

文章目录一、赛事概述1.1OpenBookQADataset1.2比赛背景1.3评估方法和代码要求1.4比赛数据集1.5优秀notebook1.6RAG二、Platypus2-70BwithWikipediaRAG

神洛华·2023-11-03 07:39

五个向量搜索中的难题，以及我们在Cassandra中如何解决它们

由于检索增强生成（RAG）如FLARE帮助LLMs加入最新的、定制的信息同时避免幻觉，所以向量搜索是生成性AI工具的关键组成部分。

沃趣数据库管理平台·2023-10-31 16:06

Graph RAG: 知识图谱结合 LLM 的检索增强

GraphRAG在第一篇关于上下文学习的博客中我们介绍过，RAG（RetrievalArgumentedGeneration）这

图数据库NebulaGraph·2023-10-31 10:16

使用Llama index构建多代理 RAG

检索增强生成(RAG)已成为增强大型语言模型(LLM)能力的一种强大技术。通过从知识来源中检索相关信息并将其纳入提示，RAG为LLM提供了有用的上下文，以产生基于事实的输出。

deephub·2023-10-31 10:36

向量数据库Weaviate Cloud 和 Milvus Cloud：性能大比拼

最近，随着检索增强生成系统（RAG）的持续火爆，开发者对于“如何选择一个向量数据库”的疑惑也越来越多。

LCHub低代码社区·2023-10-31 00:06

Kaggle - LLM Science Exam(二）：Open Book QA&debertav3-large详解

文章目录前言：优秀notebook介绍一、检索增强生成（RAG）概述1.1in-contextlearning1.2RAG简介1.3检索步骤：从知识库中获取正确的信息1.3.1embeddings1.3.2

神洛华·2023-10-30 02:05

增强常见问题解答搜索引擎：在 Elasticsearch 中利用 KNN 的力量

随着大型语言模型和信息检索架构（如RAG）的出现，在现代软件系统中利用文本表示（向量/嵌入）和向量数据库已变得越来越流行。

Elastic 中国社区官方博客·2023-10-28 18:49

使用 RAG、Langchain 和 Streamlit 制作用于文档问答的 AI 聊天机器人

在这篇文章中，我们将探索创建一个简单但有效的聊天机器人，该机器人根据上传的PDF或文本文件的内容响应查询。该聊天机器人使用Langchain、FAISS和OpenAI的GPT-4构建，将为文档查询提供友好的界面，同时保持对话上下文完整。APP链接地址：Streamlit潜在用例在深入研究实际代码之前，让我们花点时间回顾一下该工具的潜在用例以及如何使用它来进一步增强您的研究、信息检索或摘要工作流程：

Omer_·2023-10-28 01:43

Elasticsearch：使用 Open AI 和 Langchain 的 RAG - Retrieval Augmented Generation （四）

这篇博客是之前文章：Elasticsearch：使用OpenAI和Langchain的RAG-RetrievalAugmentedGeneration（一）Elasticsearch：使用OpenAI和

Elastic 中国社区官方博客·2023-10-26 02:40

RAG之微调垂域BGE的经验之谈

文章目录前言数据格式部分代码训练参数接下来的尝试总结前言随着大模型的爆火，很多垂域行业都开始使用大模型来优化自己的业务，最典型的方法就是RAG（检索增强生成）了。

ToTensor·2023-10-26 01:11

Elasticsearch：使用 Open AI 和 Langchain 的 RAG - Retrieval Augmented Generation （三）

这是继之前文章：Elasticsearch：使用OpenAI和Langchain的RAG-RetrievalAugmentedGeneration（一）Elasticsearch：使用OpenAI和Langchain

Elastic 中国社区官方博客·2023-10-25 23:38

Elasticsearch：使用 Open AI 和 Langchain 的 RAG - Retrieval Augmented Generation （一）

最近看了一个同事的几个视频。他总结的很好。在使用LangChain时，根据LangChain的官方文档https://integrations.langchain.com/vectorstores，目前有三种方法可以进行使用：ElasticVectorSearch，ElasticsearchStore及ElasticKnnSearch。我们从上面的小红心来看，Elasticsearch无疑是最受欢

Elastic 中国社区官方博客·2023-10-25 13:46

LLM-RAG-WEB 大模型+文件+可视化对话界面

1、代码（使用步骤说明在链接里）参考下载地址：https://github.com/lonngxiang/LLM-RAG-WEB/代码框架说明：web.py：项目入口，web页面model.py：对接模型接口

loong_XL·2023-10-25 08:44

Kaggle - LLM Science Exam（三）：Wikipedia RAG

文章目录一、赛事概述1.1OpenBookQADataset1.2比赛背景1.3评估方法和代码要求1.4比赛数据集1.5优秀notebook二、[EDA,Datagathering]LLM-SE~WikiSTEM|1kDS2.1Dataoverview2.2Datagathering三、如何高效收集数据3.1概述3.2与训练数据关联的维基百科类别分析四、withonly270Karticles!4

神洛华·2023-10-22 22:34

超越ChatGPT和Llama2，新一代检索增强方法Self-RAG来了原创

为了解决这一问题，之前的研究人员提出了检索增强生成（RAG），它通过检索相关知识来增强LMs的效果，尤其在需要大量知识的任务，如问答中，表现出色。

夕小瑶·2023-10-22 09:13

SELF-RAG: LEARNING TO RETRIEVE, GENERATE, AND CRITIQUE THROUGH SELF-REFLECTION

本文是LLM系列文章，针对《SELF-RAG:LEARNINGTORETRIEVE,GENERATE,ANDCRITIQUETHROUGHSELF-REFLECTION》的翻译。

UnknownBody·2023-10-20 22:34

LLMs之RAG：利用langchain实现RAG应用五大思路步骤—基于langchain使用LLMs(ChatGPT)构建一个问题回答文档的应用程序实战代码

LLMs之RAG：利用langchain实现RAG应用五大思路步骤—基于langchain使用LLMs(ChatGPT)构建一个问题回答文档的应用程序实战代码目录相关文章

一个处女座的程序猿·2023-10-20 20:10

独家 | 使用检索增强生成技术构建特定行业的 LLM

让我们深入了解如何通过RAG（检索增强生成技术）构建特定行业的大型语言模型。公司可以通过使用像ChatGPT这样的大语言明星提高生产力。

数据派THU·2023-10-18 14:32

RAG:Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks 论文阅读

.-142RAG目录0、背景1、摘要2、导言3、结论4、模型5、实验6、与REALM

小白的咆哮·2023-10-18 14:54

LLM应用架构之检索增强（RAG，retrieval-augmented generation）的缘起与架构介绍

LLM应用架构之检索增强（RAG）的缘起与架构介绍原创ullyAI工程化2023-08-2121:53收录于合集#领域技术13个#LLM应用架构3个动手点关注本文是LLM应用架构系列的第一篇，将介绍LLM

AI生成曾小健·2023-10-18 14:21

如何选择最适合你的LLM优化方法：全面微调、PEFT、提示工程和RAG对比分析

一、前言自从ChatGPT问世以来，全球各地的企业都迫切希望利用大型语言模型（LLMs）来提升他们的产品和运营。虽然LLMs具有巨大的潜力，但存在一个问题：即使是最强大的预训练LLM也可能无法直接满足你的特定需求。其原因如下：定制输出：你可能需要一个具有独特结构或风格的应用程序，例如可以评分并提供简洁反馈点评文章质量的工具。缺少上下文：预训练LLM可能对于你应用程序中重要文件一无所知，例如针对某系

技术狂潮AI·2023-10-17 19:56

kaggle大模型竞赛优胜方案总结与思考

优胜方案中，如何利用RAG（检索增强）方法提高模型的上限，如何通过传统方法以及向量检索方法提高检索知识的质量，如何使用LoRA，

HxShine·2023-10-17 10:04

kaggle大模型竞赛优胜方案总结与思考

优胜方案中，如何利用RAG（检索增强）方法提高模型的上限，如何通过传统方法以及向量检索方法提高检索知识的质量，如何使用LoRA，

HxShine·2023-10-17 10:57

Elastic Cloud v.s. Zilliz Cloud：性能大比拼

最近，随着检索增强生成系统（RAG:https://zilliz.com/use-cases/

LCHub低代码社区·2023-10-14 19:09

Graph RAG：基于知识图谱的检索增强技术与优势对比（附 Demo）

身处信息爆炸时代，如何从海量信息中获取准确全面的搜索结果，并以更直观、可读的方式呈现出来是大家期待达成的目标。传统的搜索增强技术受限于训练文本数量、质量等问题，对于复杂或多义词查询效果不佳，更无法满足ChatGPT等大语言模型应用带来的大规模、高并发的复杂关联查询需求。在此背景下，悦数图数据库率先实现了与LlamaIndex、LangChain等大语言模型框架的深度适配并在行业内首次提出了Grap

悦数图数据库·2023-10-04 13:21

RAG：我都要

目录引言模型结构第一部分：Retriever第二部分：Generator实验结果结果分析总结引言在问答和对话的场景下，通常可以通过检索和生成两种方式得到一个回复。检索式回复是在外部知识库中检索出满意的回复，较为可靠和可控，但回复缺乏多样性；而生成式回复则依赖于强大的语言模型中储存的内部知识，不可控，解释性差，但能生成更丰富的回复。把检索和生成结合起来，FacebookAIresearch联合UCL

iLuz·2023-10-04 13:50

NeurIPS 2020|RAG：为知识密集型任务而生

NeurIPS2020|RAG：检索系统助攻生成器背景今天主要介绍一项FacebookAIResearch发表于NeurIPS2020(12月才召开，大家耐心等待哈)的成果：RAG。

JasonLiu1919·2023-10-04 13:49

技术动态 | 基于知识图谱的大模型检索增强实现策略：Graph RAG实现基本原理及优化思路...

转载公众号|老刘说NLP我们继续来谈谈知识库增强大模型问答的话题，今天学到一个新词，RAG（Retrieval-AugmentedGeneration），指的是通过RAG模型来对搜索结果进行增强的过程，

开放知识图谱·2023-10-04 13:48

推荐频道

RAG

AI大模型的制作：RAG和向量数据库，分别是什么？

五分钟——在ML Studio里跑基于ACS的RAG聊天

RAG检索增强生成只是起步，真正的智能问答=强化学习+大模型（各类型）， 实现智能调度，SELF-RAG（自反思）。

《向量数据库指南》——TruLens + Milvus Cloud 构建RAG案例

《向量数据库指南》——TruLens + Milvus Cloud构建RAG深入了解性能

如何利用 instructor 提高 RAG 的准确性和召回率

改进召回（Retrieval）和引入重排（Reranking）提升RAG架构下的LLM应用效果

3分钟探索生成式AI｜探讨提示词工程领域的详细配置

使用GPT-4训练数据微调GPT-3.5 RAG管道

《向量数据库指南》——Milvus Cloud构建 RAG

利用LangChain实现RAG

Langchain-Chatchat环境安装

《向量数据库指南》为什么要用 LlamaIndex 和 Milvus Cloud.com搭建聊天机器人？

基于langchain，gradio实现法律AI小助手，法律RAG，通过倒入全部200+本法律手册、网页搜索内容结合LLM回答你的问题，并且给出对应的法规和网站

LangChain之关于RetrievalQA input_variables 的定义与使用

如何在搜索引擎中应用AI大语言模型，提高企业生产力？

LangChain+LLM实战---私有化部署RAG大模型，ChatGLM2-6B、Baichuan2-13B

LangChain+LLM实战---RAG存在的问题和避免方式

LangChain+LLM实战---使用RAG让基于LLM的ChatPDF检索能力快速提升

LangChain+LLM实战---手工微调embedding模型RAG检索能力

Elasticsearch：RAG vs Fine-tunning (大语言模型微调)

智能问答进阶之路：RAG(大模型检索增强生成)框架详解与实战，融合检索与生成助力智能系统更上层楼

Kaggle - LLM Science Exam（四）：Platypus2-70B with Wikipedia RAG

五个向量搜索中的难题，以及我们在Cassandra中如何解决它们

Graph RAG: 知识图谱结合 LLM 的检索增强

使用Llama index构建多代理 RAG

向量数据库Weaviate Cloud 和 Milvus Cloud：性能大比拼

Kaggle - LLM Science Exam(二）：Open Book QA&debertav3-large详解

增强常见问题解答搜索引擎：在 Elasticsearch 中利用 KNN 的力量

使用 RAG、Langchain 和 Streamlit 制作用于文档问答的 AI 聊天机器人

Elasticsearch：使用 Open AI 和 Langchain 的 RAG - Retrieval Augmented Generation （四）

RAG之微调垂域BGE的经验之谈

Elasticsearch：使用 Open AI 和 Langchain 的 RAG - Retrieval Augmented Generation （三）

Elasticsearch：使用 Open AI 和 Langchain 的 RAG - Retrieval Augmented Generation （一）

LLM-RAG-WEB 大模型+文件+可视化对话界面

Kaggle - LLM Science Exam（三）：Wikipedia RAG

超越ChatGPT和Llama2，新一代检索增强方法Self-RAG来了原创

SELF-RAG: LEARNING TO RETRIEVE, GENERATE, AND CRITIQUE THROUGH SELF-REFLECTION

LLMs之RAG：利用langchain实现RAG应用五大思路步骤—基于langchain使用LLMs(ChatGPT)构建一个问题回答文档的应用程序实战代码

独家 | 使用检索增强生成技术构建特定行业的 LLM

RAG:Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks 论文阅读

LLM应用架构之检索增强（RAG，retrieval-augmented generation）的缘起与架构介绍

如何选择最适合你的LLM优化方法：全面微调、PEFT、提示工程和RAG对比分析

kaggle大模型竞赛优胜方案总结与思考

kaggle大模型竞赛优胜方案总结与思考

Elastic Cloud v.s. Zilliz Cloud：性能大比拼

Graph RAG：基于知识图谱的检索增强技术与优势对比（附 Demo）

RAG：我都要

NeurIPS 2020|RAG：为知识密集型任务而生

技术动态 | 基于知识图谱的大模型检索增强实现策略：Graph RAG实现基本原理及优化思路...

RAG检索增强生成只是起步，真正的智能问答=强化学习+大模型（各类型），实现智能调度，SELF-RAG（自反思）。