AI在线 AI在线

LlamaIndex

智能简历筛选案例拆解：基于LlamaIndex+LangChain的框架开发

智能简历筛选案例拆解：基于LlamaIndex+LangChain的框架开发
上一篇文章介绍了使用基础组件，实现企业规章制度 RAG 问答的案例。 这种原生开发方式虽然有助于更直观的理解 RAG 原理，但在面对更复杂的业务场景时，开发效率和功能扩展性方面的局限就会很明显。 尤其是包含异构文件整合、结构化信息提取和多轮对话交互的综合性应用，引入成熟的开发框架成为合理选择。
9/2/2025 3:00:00 AM
韦东东
LlamaIndex新手指南（2025）：从0到生产环境，构建RAG应用的完整指南

LlamaIndex新手指南（2025）：从0到生产环境，构建RAG应用的完整指南
在人工智能蓬勃发展的当下，大语言模型（LLMs）如ChatGPT、Llama等展现出强大的自然语言处理能力，在翻译、写作、通用问答等任务中表现亮眼。 然而，它们存在知识局限，其知识储备仅基于训练数据，面对特定领域查询易生成错误信息，这极大限制了在实际场景中的应用价值。 为解决该问题，检索增强生成（Retrieval-Augmented Generation，RAG）技术诞生，通过在查询时高效处理、存储和检索文档片段，确保LLMs能生成更准确、具上下文感知的回答，无需昂贵的重新训练或微调。
8/27/2025 4:15:00 AM
大模型之路
建立基于AI的知识体系：面向企业需求的LlamaIndex与Apache Tika

建立基于AI的知识体系：面向企业需求的LlamaIndex与Apache Tika
译者 | 可乐审校 | 重楼LlamaIndex是一套开源Python框架，类似于智能数据管理员，能够通过文档为AI提供信息支撑。 它专为检索增强生成（RAG）而打造，可帮助AI在回答问题或生成内容前检索文件、数据库或记录条目，找寻正确信息。 这样AI生成的答案将更加准确，且显著优于依赖预训练知识储备的常规聊天机器人。
7/4/2025 8:28:50 AM
核子可乐
五种RAG分块策略详解 + LlamaIndex代码演示

五种RAG分块策略详解 + LlamaIndex代码演示
先前文章中提到，不断优化原始文档解析和分块策略是控制变量法下，是提高最后检索效果天花板的务实做法，前面已经介绍了 MinerU vs DeepDoc 在文档解析方面的效果对比。 MinerU vs DeepDoc：集成方案 图片显示优化关于文档解析部分简单的结论是，MinerU 无疑是值得关注和尝试的一个文档解析框架，但具体效果还要结合特定项目文档做仔细横评。 我目前在常规项目中，主要是对照使用 DeepDoc 和 MinerU 两个方法。
5/6/2025 10:05:23 AM
韦东东