RAG

(RAG系列) FastGPT工作流的http请求模块使用

FastGPT工作流的http请求模块使用版本使用说明代码模板版本fastgptv4.8.10使用说明question接收传入的变量，msg集合则是包含返回的变量，fastgpt的工作流的http请求模块填写url->http://xxxx:5000/deal_response代码模板fromflaskimportFlask,requestimportjsonimportreapp=Flask(_
是小白_鸭·2025-01-22 03:33

Grape-RAG

Grape-RAG传统RAG的局限性图的优点用知识图谱来呈现数据关系GraphRAG传统RAG的局限性经典的RAG架构以向量数据库（VectorDB）为核心来检索语义相似性上下文，让大语言模型（LLM）
disgare·2025-01-22 01:48

搭建个人AI知识库：RAG与本地模型实践指南

本文将带你一步步搭建一个基于本地模型和RAG技术的个人知识库。
·2025-01-21 16:29

构建知识图谱：从文本到结构化数据的转化

特别是在基于知识的检索增强生成（RAG）应用中，通过将非结构化文本转化为知识图谱，可以显著提升系统对复杂关系的理解和导航能力。核心原理解析构建知识图谱的核心步骤包括：信息提取和数据库存储。
sagvWSRJHMNEB·2025-01-21 11:14

大模型的RAG微调与Agent：提升智能代理的效率与效果

目录编辑引言RAG模型概述检索阶段生成阶段RAG模型的微调数据集选择损失函数设计微调策略超参数调整RAG模型在智能代理中的应用客户服务信息检索内容创作决策支持：结论引言在人工智能的快速发展中，大型预训练模型
WeeJot·2025-01-21 00:57

企业落地大模型的路径选择：微调、RAG、提示词工程

一、大模型的特点1）不确定性与传统应用不同，模型的输出是不确定的，即使多次问它一样的问题，给出的结果也可能不一样。这种特性对于日常应用业务OK，但是如果要在企业内用来处理具体业务问题，就必须提高这个稳定性，否则影响生产经营，例如产线操作人员通过模型获取操作步骤或者参数，如果步骤或者数据不对可能会导致产品出现质量问题等等。2）静态性模型一旦训练好，就无法再补充数据，因此模型不会了解你自己组织内部的年
AGI-杠哥·2025-01-20 22:46

透过生活小故事，轻松理解大模型开发的五种核心方法

本文将以贴近生活的五个场景，通俗易懂地讲解大模型开发中的五种核心方法：提示词工程和外部函数、Agent设计、RAG设计（检索增强生成）、微调以及预训练。让我们一同走进这些故事，揭开大模型
·2025-01-19 19:54

三款顶级开源RAG (检索增强生成)工具：Verba、Unstructured 和 Neum

三款顶级开源RAG(检索增强生成)工具：Verba、Unstructured和Neum概述随着企业对话式数据处理需求的提升，面临的挑战是数据隐私性和缺乏企业级解决方案。
XianxinMao·2025-01-18 06:26

超越 RAG：Memobase 为 AI 应用注入长期记忆丨社区来稿

AI记忆的类型短记忆vs.长记忆UserMemoryvs.AgentMemory：两种记忆，两种侧重记忆vs.RAG：到底有什么区别？为什么AI应用需要记忆？现在的长
·2025-01-18 05:09

graphrag+ollama+neo4j本地化部署可视化使用

与传统的在文本片段中，基于语义查询的RAG不同，GraphRAG从原始文本中，提取数据，构建知识图谱，并利用这些结构化数据完成RAG任务。
xiaomu_347·2025-01-17 21:19

GraphRAG 本地 Ollama - 知识图谱

论文摘要使用检索增强生成（RAG）从外部知识源中检索相关信息，使大型语言模型（LLMs）能够回答关
ericliu2017·2025-01-17 21:07

# RAG 框架 | 技术栈 #一文读懂Xinference架构！优秀开源项目技术栈分析

这是原文内容这是知识点解读一、概述Xinference是一个利用actor编程框架Xoscar来管理机器、设备和模型推理进程的系统。每个actor都是模型推理的基本单元，可以集成多种推理后端。它支持多种推理引擎和硬件，并且具有异步和非阻塞的特性。RESTfulAPI：使用FastAPI实现，提供了一个示例API/status对应函数get_status。命令行：通过Click实现，允许用户在终端与
向日葵花籽儿·2025-01-17 15:25

RAG技术详解：构建高效、可信赖的知识检索系统

RAG是解决其中一些挑战的一种方法。它会重定向LLM，从权威的、预先确定的知识来源中检索相关信息。组织可以更好地控制生成的文本输出，并且用户可以深入了解LLM如何生成响应。LLM知
向日葵花籽儿·2025-01-17 15:55

＜论文＞如何将RAG和时序大模型相结合？

一、摘要本文介绍论文发表于2024年的论文《RetrievalAugmentedTimeSeriesForecasting》，该论文提出了将RAG技术应用于时序大模型的策略，提升了时序大模型的性能。
CM莫问·2025-01-16 20:33

搭建个人AI知识库：RAG与本地模型实践指南

本文将带你一步步搭建一个基于本地模型和RAG技术的个人知识库。
·2025-01-16 15:26

使用LLaVa和Ollama实现多模态RAG示例

本文将详细介绍如何使用LLaVa和Ollama实现多模态RAG（检索增强生成），通过提取图像中的结构化数据、生成图像字幕等功能来展示这一技术的强大之处。安装环境首先，您需要安装以下依赖包：!
llzwxh888·2024-09-16 09:20

RAG与LLM原理及实践(17)---Docker Redis & Python Usage

快照（RDB）AOF（Append-OnlyFile）代码总结发布与订阅描述代码运行结果注意事项解释Transanction描述代码键空间描述开启python代码运行结果背景实际上，你会发现本专栏题目是RAG
PhoenixAI8·2024-09-13 17:49

RAG与LLM原理及实践(16)---RAG 前端技术Flask-socketIO

目录背景技术理念RAG结合点实时数据更新与推送实时查询与响应安装使用完整案例说明后端python代码代码解释前端html代码JS代码代码解释总结背景构建RAG系统或别的系统时，如果后端采用的全Python
PhoenixAI8·2024-09-13 17:18

llm-universe学习小记录4--构建RAG应用

构建RAG应用一、将LLM接入LangChain1、基于LangChain调用ChatGPT2、使用LangChain调用百度文心一言3、使用LangChain调用讯飞星火4、使用LangChain调用智谱
Adela0546·2024-09-13 16:43

月之暗面对谈 Zilliz：长文本和 RAG 如何选择？

01长文本与RAG通用对比准确率：通常情况下长文本优于RAG长文本：可更加综合的去分析所有相关的内容，提取相关数字，生成图表，效果尚可。RAG：更适合找到一段或者是几段可能相关的段落。
冻感糕人~·2024-09-13 13:51

HippoRAG如何从大脑获取线索以改进LLM检索

虽然检索增强生成(RAG)在该领域取得了巨大进步，但一些局限性仍然没有克服。
极道亦有道·2024-09-12 19:57

如何训练LLM自动在RAG和参数记忆之间进行选择

检索增强生成(RAG)管道使大型语言模型(LLM)能够在其响应中使用外部信息源。但是RAG应用程序为发送到LLM的每个请求检索额外的场景信息。
极道亦有道·2024-09-12 19:27

增强检索增强生成模型的可靠性和可追溯性

该系统通常是检索增强生成(RAG)。该系统已被证明能够减少幻觉并改善反应。然而，可靠性和可追溯性仍然存在局限性。事实上，上下文幻觉仍然会出现，有时找不到正确的上下文。
RA AI衍生者训练营·2024-09-12 18:47

基于Langchain的大模型RAG技术介绍（附示例代码）

一、RAG简介在大模型技术的迅速发展下，涌现了各种庞大的模型，形成了一场所谓的‘百模大战’。
赵放-AI·2024-09-11 19:16

RAG 聊天机器人：用 Langchain 和 Streamlit开启与 PDF 的智能对话

这篇文章将带您逐步构建一个基于Multi-RAG和Streamlit的Web应用程序，该应用程序通过AI驱动的聊天机器人来读取、解析和处理PDF数据，提供前所未有的用户体验。
Soyoger·2024-09-11 18:37

大模型算法岗，面试百问百答，7天3个offer拿到手！

1.RAG技术体系的总体思路数据预处理->分块（这一步骤很关键，有时候也决定了模型的效果）->文本向量化->query向量化->向量检索->重排->query+检索内容输入LLM->输出2.使用外挂知识库主要为了解决什
爱喝白开水a·2024-09-11 14:44

大模型LLM面试常见算法题-包括Attention和Transformer常见面试题

RAG和微调的区别是什么？有了解过什么是稀疏微调
剑圣土豆·2024-09-10 15:57

茴香豆：搭建RAG 智能助理

RAGRAG（RetrievalAugmentedGeneration）技术，通过检索与用户输入相关的信息片段，并结合外部知识库来生成更准确、更丰富的回答。解决LLMs在处理知识密集型任务时可能遇到的挑战,如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供更准确的回答、降低推理成本、实现外部记忆。1.在茴香豆Web版中创建自己领域的知识问答助手1.1配置镜像环境进入开发机后，从官方环境复制运行I
不才妹妹·2024-09-10 08:11

OPENAI中RAG实现原理以及示例代码用PYTHON来实现

OPENAI中RAG实现原理以及示例代码用PYTHON来实现1.引言在当今人工智能领域，自然语言处理（NLP）是一个非常重要的研究方向。
dzend·2024-09-10 07:04

llama_index 官方文档阅读笔记 (持续更新版)

这种LLM系统被称为RAG系统，代表“检索-增强生成”。
皮卡丘ZPC·2024-09-10 02:02

从零搭建一个可离线使用的可实时更新扩展信息的智能问答系统 llamaindex&LLama3大模型&RAG

之前对一件事很好奇，为什么去年训练的大模型可以回答今天的新闻内容。答案是使用了知识扩展系统。基本原理是把参考答案和问题一同提给大模型，给他充分的参考信息做回复编辑。本文教你完成离线版本的智能问答系统搭建。有问题请直接留言最近在疯狂找下家，本人精通图形渲染和ai，求捞啊！基本架构图讲一下基本运行流程：人工准备数据转为嵌入向量存入数据库并生成索引用户提问流程：用户输入问题在索引数据库中查询匹配度较高的
千年奇葩·2024-09-09 20:06

基于云原生向量数据库 PieCloudVector 的 RAG 实践

然而AIGC依然面临一系列挑战，检索增强生成（RAG）技术作为LLM的一项重要补充被提出。本文将结合实例演示，和大家一起探索基于PieCloudVector的RAG实践。AIGC强调
OpenPie｜拓数派·2024-09-08 17:08

微软Azure OpenAI 集成矢量化

这标志着我们持续致力于简化和加快检索增强生成(RAG)和传统应用程序的数据准备和索引创建的重要里程碑。集成矢量化简化了RAG流程参考链接：微软AzureOpenAI免费试用申请为什么矢量化很重要？
全云在线allcloudonline·2024-09-08 01:46

一文全览LangChain数据连接模块：从文档加载到向量检索RAG，理论+实战+细节

最后，结合RAG基本流程、LangChainPrompt模板和输入输出模块，我们将利用LangChain实现RAG的基本流程。文章目录0.模块介绍1.Documentloaders文档加载模块1.
同学小张·2024-09-08 01:13

RAFT：Adapting Language Model to Domain Specific RAG

论文链接简单来说，就是你SFT微调的时候得考虑RAG的场景。RAG什么场景？
蒸土豆的技术细节·2024-09-07 21:17

RAFT: Adapting Language Model to Domain Specific RAG

RAFT：使语言模型适应特定领域的RAG摘要1引言2LLM用于开卷考试3RAFT4评估5RAFT推广到Top-KRAG6相关工作7结论摘要在文本数据的大型语料库上预训练大型语言模型（LLM）现在是一种标准范式
UnknownBody·2024-09-07 21:43

特定领域 RAG 新突破：LlamaPack 实现 RAFT 论文方法

一、前言在上一篇文章《RAFT：让大型语言模型更擅长特定领域的RAG任务》中，我们介绍了RAFT训练方法，RAFT（检索增强微调）是一种训练方法，可以提高大型语言模型(LLM)在开卷、域内问答任务中的性能
技术狂潮AI·2024-09-07 20:43

【LangChain-Chatchat】本地部署模型及搭建个人/企业内部知识库

介绍基于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)大模型知识库项目。
AI_小站·2024-09-07 11:36

python利用向量数据库chroma实现RAG检索增强生成

文章目录向量数据库chroma简介RAG简介RAG示例向量数据库chroma简介向量数据库chroma教程RAG简介RAG的全称是Retrieval-AugmentedGeneration，中文翻译为检索增强生成
Cachel wood·2024-09-07 09:25

【AI】在Windows10下部署本地LLM RAG服务

【背景】上一篇介绍了如何用Ubuntu命令行部署ollamaLLM+RAG服务。部署后等于拥有了基于内网的AISaas服务，其它内网用户可以通过默认的网址访问Playground对AI进行问答。
每日出拳老爷子·2024-09-07 09:24

Re-ranking 从原理到实现的两种主流方法

原文地址：https://pub.towardsai.net/advanced-rag-04-re-ranking2024年2月14日重新排序在检索增强生成（RAG）过程中起着至关重要的作用。
lichunericli·2024-09-06 22:11

探索LangChain-Chatchat 0.3：一体化Agent与强大RAG模型的全面入门指南

介绍LangChain-Chatchat支持RAG和Agent0.3版本跟大模型解耦,支持Xinference、Ollama、LocalAI、FastChat、OneAPI,可以非常方便的切换各个模型,
爱喝白开水a·2024-09-06 18:47

LLM之RAG理论（十二）| RAG和Graph RAG对比

本文将对RAG和GraphRAG在架构和成本方面做简要分析。一、RAG和GraphRAG的架构RAG方法体系结构可以分为两个不同的阶段：索引阶段
wshzd·2024-09-06 14:18

百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索

百篇论文博文导航AI工程之路：FT、KG、RAG与Agent技术全方位探索1.FTScalingDowntoScaleUp:AGuidetoParameter-EfficientFine-Tuning：
汀、人工智能·2024-09-06 12:00

GitHub每周最火火火项目（8.26-9.1）

项目名称：Cinnamon/kotaemon项目介绍：kotaemon是一个基于开源RAG（检索增强生成）的工具，旨在实现与文档的聊天交互。
FutureUniant·2024-09-06 05:20

LLM大模型落地-从理论到实践

学习目标熟悉主流LLM（Llama,ChatGLM,Qwen）的技术架构和技术细节；有实际应用RAG、PEFT和SFT的项目经验较强的NLP基础，熟悉BERT、T5、Transformer和GPT的实现和差异
hhaiming_·2024-09-04 01:12

RAGFlow 开源项目教程

RAGFlow开源项目教程ragflowRAGFlow是一个基于深度文档理解的开源RAG（检索增强生成）引擎。
戚展焰Beatrix·2024-09-03 03:49

WeKnow-RAG：智能自适应的检索增强生成方法

在当今快速发展的人工智能领域，检索增强生成（Retrieval-AugmentedGeneration，RAG）方法逐渐成为一种新兴的解决方案。
步子哥·2024-09-01 13:58

本地电脑大模型系列之 20 离线 AI：使用 Ollama+llama3+privateGPT+Langchain+GPT4ALL+ChromaDB 与 Pdf、Excel、CSV、PPTX、PPT、

git系列文章《本地电脑搭建StreamDiffusion：用眼睛见证实时人工智能创意利用交互式高速扩散技术彻底改变图像生成》权重1，本地类《使用本地Llama2模型和向量数据库建立私有检索增强生成(RAG
知识大胖·2024-09-01 10:10

大模型之带你了解plugins、GPTs的前生今世，GPT-4 turbo何以让众多创业者一夜无眠，及主要应用：RAG、Agent

写在前面的话在前面几个章节，我们在熟悉了大模型的一些概念，学习了大模型的提示工程，体验了Chat的使用。今天这个章节是为了接下来我们使用大模型做应用开发做准备。大家陆续在很多文章中可能已经看到过了很多概念，比如plugins、GPTs、Agent，这里面自ChatGPT3.5爆火以来，有众多的AI创业公司从不同的切入点在做，OpenAI公司也在不断推进自家产品的核心能力和生态的迭代更新，比如去年最
AGI大模型老王·2024-08-31 06:10
上一页 2 3 4 5 6 7 8 9 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他