AI在线 AI在线

RAG

RAG系列：系统评估 - 五个主流评估指标详解

RAG系列：系统评估 - 五个主流评估指标详解
引言在 RAG系列：一文让你由浅到深搞懂RAG实现 中，我们将 RAG 系统主要分为问题理解、检索召回以及答案生成这三个模块，因此对 RAG 系统的评估也是围绕问题（Question）、检索到的上下文（Retrieved Context）、实际答案（Actual Answer）、参考答案（Reference Answer）这四个维度开展，通过衡量这四个维度之间的相关性来评估 RAG 系统的有效性。 下面我们对每个指标一一展开讲解。 评估指标上下文召回率（Context Recall）衡量检索到的上下文是否覆盖参考答案所需的所有关键信息，避免遗漏关键信息。
5/23/2025 6:00:00 AM
燃哥讲AI
RAG系列：系统评估 - 构造QA测试数据集

RAG系列：系统评估 - 构造QA测试数据集
引言在 RAG系列：基于 DeepSeek Chroma LangChain 开发一个简单 RAG 系统 中，我们搭建了一个基础版的 RAG 系统，实现了文档解析和切分 - 文档向量化存储 - 用户输入问题 - 根据问题检索相关知识 - 将检索到的知识和原问题重新组合成 prompt - 最后 LLM 根据增强后的 prompt 给出答案。 构造一个基础版的 RAG 系统是非常简单的，借助 LangChain 等框架可快速搭建出完整流程，代码也不会很多，但基础版的问答效果往往比较差，无法直接在实际业务中应用。 在 RAG系列：一文让你由浅到深搞懂RAG实现 中，我们将 RAG 系统主要分为问题理解、检索召回以及答案生成这三个模块。
5/23/2025 2:00:00 AM
阿里燃哥
RAG系列：基于 DeepSeek + Chroma + LangChain 开发一个简单 RAG 系统

RAG系列：基于 DeepSeek + Chroma + LangChain 开发一个简单 RAG 系统
创建 Next 项目首先，使用 npx create-next-app@latest 根据提示完成 Next 项目的创建：复制创建好项目之后，在 src/app 目录下新建 rag 目录，本次 demo 的代码都将放在这里。 知识库构建接下来，我们将构建知识库，主要目标是将准备好的 pdf 通过向量化存到向量数据库中，以便后续的检索。 由于本次 RAG 系统的开发都要依赖 LangChain 框架，所以我们先在项目中安装 LangChain 框架和核心依赖：复制文档加载LangChain 的 DocumentLoaders[1] 提供了种类丰富的文档加载器，可加载文件系统的文件也可以加载线上文件，包括 csv、docx、pdf、pptx、html、github、youtube等等。
5/22/2025 6:48:50 AM
赖祥燃
RAG与微调，大语言模型的“大脑升级”，该选哪条路？（小白科普）

RAG与微调，大语言模型的“大脑升级”，该选哪条路？（小白科普）
最近在做项目时，我发现有些甲方对RAG和模型微调分区的不太清楚，明明大语言模型（LLM）加挂RAG就可以解决的问题，却坚持要微调，但是具体沟通后发现，其实只是不太了解二者的实际用途。 其实，Retrieval-Augmented Generation (RAG) 和微调 (Fine-Tuning) 是两种最常用的LLM的“大脑升级”技术，虽然它们都能提升模型的性能，但工作原理和适用场景却大相径庭。 今天，我就来深入聊聊这两种技术，弄清楚在不同情况下，到底该选 RAG 还是微调。
5/21/2025 3:00:00 AM
贝塔街的万事屋
Build大会最硬核发布：微软把RAG技术塞进Windows，结构化检索让AI拥有"超忆症"

Build大会最硬核发布：微软把RAG技术塞进Windows，结构化检索让AI拥有"超忆症"
科技圈的目光无疑高度聚焦于微软的年度Build开发者大会。 正如许多人预期的那样，微软一开场就亮出了其核心主题——智能体（Agent）。 微软的意图很明确：将自身定位在“开放智能体网络”（Open Agentic Web）的中心。
5/20/2025 1:45:19 PM
一文揭秘专为 RAG 打造的高性能开源图向量数据库：HelixDB

一文揭秘专为 RAG 打造的高性能开源图向量数据库：HelixDB
在人工智能技术尤其是大语言模型（LLM）蓬勃发展的浪潮中，检索增强生成（Retrieval-Augmented Generation，简称 RAG）正迅速成为提升生成式 AI 系统内容准确性、实时性与上下文相关性的核心手段。 RAG 通过将外部知识检索与语言模型推理相结合，显著缓解了模型“幻觉”问题，使其在问答系统、智能助手、企业知识中台等应用中展现出广阔前景。 然而，随着业务需求的不断升级，传统 RAG 系统所依赖的扁平向量表示与单一类型数据库架构，已难以满足对复杂语义结构建模与海量非结构化数据高效检索的双重需求。
5/20/2025 8:50:00 AM
Luga Lee
深度解析大模型技术演进脉络：RAG、Agent与多模态的实战经验与未来图景

深度解析大模型技术演进脉络：RAG、Agent与多模态的实战经验与未来图景
作者 | jaymie大模型作为产业变革的核心引擎。 通过RAG、Agent与多模态技术正在重塑AI与现实的交互边界。 三者协同演进，不仅攻克了数据时效性、专业适配等核心挑战，更推动行业从效率革新迈向业务重构。
5/20/2025 8:30:00 AM
腾讯技术工程
理解 RAG 第九部分：针对 RAG 微调 LLM

理解 RAG 第九部分：针对 RAG 微调 LLM
在“理解 RAG”系列的前几篇文章中，我们重点探讨了检索增强生成的各个方面。 文章中，我们重点介绍了与大型语言模型 (LLM) 集成的检索器组件，该组件用于检索有意义且真实的上下文知识，从而提升 LLM 输入的质量，并最终提升其生成的输出响应。 具体来说，我们学习了如何管理传递给 LLM 的上下文长度、如何优化检索，以及如何利用向量数据库和索引策略来有效地检索知识。
5/20/2025 6:00:00 AM
晓晓
基于Bad Cases的Dify合同审查案例演示（工作流拆解）

基于Bad Cases的Dify合同审查案例演示（工作流拆解）
4月底时，知识星球里有个关于在 RAG 流程中，如何实现基于 Bad Cases（负面案例）的合同审查和合同生成（基于合同模板）的提问，算是一个很有代表性的进阶 RAG 应用方向，这篇针对其中的合同审查场景来做些介绍和演示。 注：“整体文档理解”（Bad Cases 分析）和“结构化对象检索”（模板匹配）合同审查场景里，利用历史上的“坏案例”（Bad Cases，包含合同原文和审查结果）来辅助新合同的审查，而不仅仅依赖预设规则是个很实际的业务需求。 但标准 RAG 主要召回与问题语义相似的片段，确实很难让 LLM 理解一个 Bad Cases 的整体情况和参考价值。
5/20/2025 4:00:00 AM
北邮港大联手！LightRAG：图结构赋能的高效检索增强生成新范式

北邮港大联手！LightRAG：图结构赋能的高效检索增强生成新范式
现有 RAG 系统在处理复杂查询时力不从心。 一方面，它们依赖扁平的数据表示，无法有效捕捉实体间的复杂关系；另一方面，缺乏上下文感知能力，导致生成的回答碎片化，难以形成连贯的逻辑。 例如，当用户询问 “电动汽车的兴起如何影响城市空气质量和公共交通基础设施？
5/19/2025 6:03:15 PM
Goldma
RAG架构综述：探寻最适配RAG方案

RAG架构综述：探寻最适配RAG方案
RAG技术通过整合外部知识源检索与模型生成能力，使语言模型能够基于真实世界的信息生成更准确、可靠的回答。 如今，RAG技术不断演进，衍生出了多种各具特色的架构类型，每种都针对特定场景和需求进行了优化。 深入了解这些不同类型的RAG架构，对于开发者、数据科学家以及AI爱好者而言至关重要，能够帮助他们在项目中做出更合适的技术选型，充分发挥RAG的优势。
5/19/2025 8:26:37 AM
大模型之路
“逆天”研究！Cursor 与 Windsurf 背后的核心算法机制曝光！网友惊呼：Cursor代码总出Bug的原因找到了

“逆天”研究！Cursor 与 Windsurf 背后的核心算法机制曝光！网友惊呼：Cursor代码总出Bug的原因找到了
编辑 | 云昭出品 | 51CTO技术栈（微信号：blog51cto）Vibe coding正火得一塌糊涂，但谁能想到，刚刚一位大佬已经把当红的AI编程神器Cursor和Windsurf背后的核心算法机制研究出来了！ 今天凌晨，一位名为Nir Diamant的技术大牛发表了一篇高质量神文，可以说把Cursor和Windsurf的核心算法说得非常透彻，就像玩抖音的需要了解抖音推荐算法一样，正在Vibe Coding的我们，当然也得快速吃透跟自己对话的编程助手，究竟是怎样一个思维回路。 非常细节，值得各位收藏细读一番。
5/14/2025 4:39:21 PM
云昭
探索RAG数据分块策略：工具对比与实践指南(含code)

探索RAG数据分块策略：工具对比与实践指南(含code)
在检索增强生成（Retrieval-Augmented Generation, RAG）应用领域，数据分块作为关键预处理步骤，对模型性能和效果起着决定性作用。 本文深入探讨RAG应用中的数据分块策略，详细介绍和对比LangChain、LlamaIndex和Preprocess三种主流工具在数据分块方面的功能与特点，并结合实际案例分析其应用效果，为读者提供全面的技术指引。 RAG中数据分块的重要性RAG通过检索相关信息来增强语言模型的生成能力，数据分块则是优化这一过程的关键。
5/14/2025 1:40:00 AM
大模型之路
通用RAG：通过路由模块对多源异构知识库检索生成问答思路

通用RAG：通过路由模块对多源异构知识库检索生成问答思路
如何在多个语料库（多源异构知识库，如：文本、图片、视频）中检索和整合来自不同模态和粒度的知识？ UniversalRAG：一个多模态RAG框架，用于从多个模态和粒度的语料库中检索和整合知识。 下面来看看思路，供参考。
5/14/2025 12:23:00 AM
余俊晖
RAG知识库只是表面简单！

RAG知识库只是表面简单！
你有没有想过，为什么同样是AI问答系统，有些答案精准如手术刀，有些却像老人家的唠叨？ 当我们说"把文档丢进Dify就能搞定RAG"时，工程师们默默翻了个白眼——因为他们知道，真正的魔法发生在幕后。 RAG：表面简单，内核复杂前几天，产品经理小张兴冲冲地来找我："我发现了个神器叫Dify，听说只要把公司文档灌进去，就能搭建一个智能客服。
5/9/2025 9:13:37 AM
大数据AI智能圈
告别碎片化！两大先进分块技术如何提升RAG的语义连贯性？

告别碎片化！两大先进分块技术如何提升RAG的语义连贯性？
研究动机论文核心问题及研究背景分析1. 研究领域及其重要性研究领域：检索增强生成（Retrieval-Augmented Generation, RAG）系统，结合自然语言处理（NLP）与信息检索技术。 重要性：RAG通过动态整合外部知识，解决了传统大语言模型（LLMs）依赖静态预训练数据的局限性。
5/9/2025 3:55:00 AM
ChallengeHub
从RAG到QA-RAG：整合生成式AI以用于药品监管合规流程

从RAG到QA-RAG：整合生成式AI以用于药品监管合规流程
图片引言聊天机器人的进步近期生成式AI的进展显著增强了聊天机器人的能力。 这些由生成式人工智能驱动的聊天机器人在各个行业中的应用正在被探索[Bahrini等人，2023年；Castelvecchi，2023年；Badini等人，2023年]，其中制药行业是一个显著的关注领域。 在药物发现领域，最近的研究表明，由生成式人工智能驱动的聊天机器人在推进药物发现方面可以发挥重要作用[Wang等人，2023年；Savage，2023年；Bran等人，2023年]。
5/8/2025 2:22:00 AM
Wolfgang
RAG技术：优化知识库，解决AI答非所问

RAG技术：优化知识库，解决AI答非所问
在AI大模型席卷全球的今天，Retrieval-Augmented Generation（RAG，检索增强生成）作为一种融合检索与生成的技术，正成为企业和开发者提升AI能力的核心工具。 然而，许多用户在使用RAG时却发现，AI的回答常常“答非所问”，甚至“驴唇不对马嘴”。 究其原因，问题往往出在文档处理不当。
5/8/2025 1:00:00 AM
贝塔街的万事屋