AI在线 AI在线

RAG

谈谈 RAG 的四个级别

谈谈 RAG 的四个级别
选择正确的 RAG（检索增强生成）架构主要取决于具体的用例和实施要求，确保系统符合任务需求。 Agentic RAG 的重要性将日益增加，与Agentic X的概念相一致，其中代理能力嵌入个人助理和工作流程中。 这里的“X”代表代理系统的无限适应性，能够实现无缝任务自动化和跨不同环境的明智决策，从而提高组织效率和自主性。
4/21/2025 6:25:00 AM
晓晓
企业级RAG选择难题：数据方案的关键博弈

企业级RAG选择难题：数据方案的关键博弈
智能时代，企业数据每日剧增。 员工寻找答案的效率直接影响工作流程，StackOverflow调查表明54%的开发者因等待问题答案而工作中断。 信息就在那里，却被深埋在企业资源迷宫中。
4/21/2025 4:50:00 AM
大数据AI智能圈
告别SQL！四大技术重构数据查询：Text2SQL/RAG/TAG/MCP谁主沉浮？

告别SQL！四大技术重构数据查询：Text2SQL/RAG/TAG/MCP谁主沉浮？
想象这样的场景：市场部新来的实习生对咖啡机说：“帮我查华东区过去半年销量TOP3的爆款饮品，按周环比增长率排序。 ”系统秒速生成动态报表——这不再是科幻片桥段，而是自然语言查询技术带来的现实革命。 随着大模型突破性发展，企业数据正从“程序员黑箱”迈向“全员可探”的新纪元。
4/21/2025 4:10:00 AM
推推君
AI 与非结构化数据：简单 RAG 的局限及生产级解决方案全解析

AI 与非结构化数据：简单 RAG 的局限及生产级解决方案全解析
非结构化数据涵盖了电子邮件、PDF 文件、会议记录等多种形式，它们充斥在各个角落，却由于缺乏固定的格式，给传统的数据处理工具带来了巨大的挑战。 而人工智能（AI）的出现，尤其是大型语言模型（LLMs），为解决非结构化数据的难题带来了新的希望。 但在实际应用中，简单的检索增强生成（RAG）方法却存在诸多不足，无法满足复杂的生产级场景需求。
4/18/2025 2:55:00 AM
大模型之路
一文读懂 Agentic RAG 技术点滴

一文读懂 Agentic RAG 技术点滴
大型语言模型（Large Language Models, LLMs）彻底改变了我们与信息的交互方式。 然而，LLMs 完全依赖内部知识的局限性，常常限制了其在处理复杂问题时的准确性和深度。 正是在这一背景下，检索增强生成（Retrieval-Augmented Generation, RAG）应运而生。
4/10/2025 12:12:00 AM
Luga Lee
RAG还是微调？AI落地的关键选择

RAG还是微调？AI落地的关键选择
你是否曾经面临这样的困境：部门刚刚决定采用大语言模型解决业务痛点，但技术团队却陷入了"到底该用RAG还是微调"的激烈争论中？ 一边是成本控制派，坚持RAG轻量级方案；另一边是性能至上派，认为只有微调才能满足业务需求。  让我们跳出技术视角，用真实业务场景来理解这两种方案。
4/9/2025 11:59:29 AM
大数据AI智能圈
AI问答的核心！知识图谱：突破传统 RAG 的天花板

AI问答的核心！知识图谱：突破传统 RAG 的天花板
看似简单的 AI 问答系统，背后却隐藏着无数技术难题。  当我们询问"组件 A 与组件 B 有什么区别"这样的问题时，传统检索增强生成(RAG)系统往往会犯难。 它们就像只会做加法的计算器，遇到了需要乘除法的复杂方程...传统 RAG 的三大痛点传统 RAG 技术已成为 AI 应用的标配，但它面临三个根本性挑战：信息孤岛：文档被切分成互不相关的小块，丢失了上下文联系视野局限：只能基于文本相似度检索，无法理解概念间的逻辑关系推理能力缺失：无法像人类那样进行跨文档的综合分析例如，你问系统："A组件和B组件有什么区别？
4/8/2025 3:45:00 AM
大数据AI智能圈
Dify+RAGFlow:1+1＞2的混合架构，详细教程+实施案例

Dify+RAGFlow:1+1＞2的混合架构，详细教程+实施案例
企业在落地 RAG 知识库时， Dify 和 RAGFlow 这两个开源框架应该选择哪个？ 这也是我一直以来做RAG咨询时，经常被企业方问到的问题之一。 一般来说，如果需要处理特别复杂的文档和非结构化数据，RAGFlow 是优选。
4/7/2025 7:00:00 AM
韦东东
RAG实战|向量数据库LanceDB指南

RAG实战|向量数据库LanceDB指南
LanceDB介绍LanceDB是一个开源的用 Rust 实现的向量数据库（），它的主要特点是：提供单机服务，可以直接嵌入到应用程序中支持多种向量索引算法，包括Flat、HNSW、IVF等。 支持全文检索，包括BM25、TF-IDF等。 支持多种向量相似度算法，包括Cosine、L2等。
4/3/2025 4:02:14 PM
周末程序猿
RAG分块优化之语义分块方法CrossFormer模型技术思路

RAG分块优化之语义分块方法CrossFormer模型技术思路
笔者在前期文章中总结了RAG的分块《RAG常见13种分块策略大总结（一览表）》，本文介绍一个语义分段的工作，该工作解决的问题是文本语义分割，即将文档分割成多个具有连续语义的段落。 传统方法通常依赖于预处理文档以分段来解决输入长度限制问题，但这会导致段间关键语义信息的丢失。 RAG系统中的文本分块方法主要分为基于规则和基于LLM的方法。
4/2/2025 4:00:00 AM
余俊晖
大模型应用的能力分级

大模型应用的能力分级
对大模型应用的能力分级就像给学生打分一样，能让我们更清楚它的本事有多大。 能力分级能帮我们设定目标，知道AI现在能干什么，未来还要学什么。 有了统一的分级方式，大家就能公平比较不同AI的水平，推动技术进步。
4/2/2025 1:25:00 AM
曹洪伟
SpringAI用嵌入模型操作向量数据库！

SpringAI用嵌入模型操作向量数据库！
嵌入模型（Embedding Model）和向量数据库（Vector Database/Vector Store）是一对亲密无间的合作伙伴，也是 AI 技术栈中紧密关联的两大核心组件，两者的协同作用构成了现代语义搜索、推荐系统和 RAG（Retrieval Augmented Generation，检索增强生成）等应用的技术基础。 “PS：准确来说 Vector Database 和 Vector Store 不完全相同，前者主要用于“向量”数据的存储，而 Vector Store 是用于存储和检索向量数据的组件。 在 Spring AI 中，嵌入模型 API 和 Spring AI Model API 和嵌入模型的关系如下：系统整体交互流程如下：接下来我们使用以下技术：Spring AI阿里云文本嵌入模型 text-embedding-v3SimpleVectorStore（内存级别存储和检索向量数据组件）实现嵌入模型操作内存级别向量数据库的案例。
4/2/2025 12:00:00 AM
磊哥
RAG回答准确率暴涨300%！用Coze工作流进行数据结构化（附完整提示词）

RAG回答准确率暴涨300%！用Coze工作流进行数据结构化（附完整提示词）
前言在生成式人工智能（Generative AI）快速发展的当下，大语言模型（LLMs）的幻觉问题始终是制约其落地应用的关键瓶颈。 检索增强生成（RAG）技术通过引入外部知识库，将动态检索与生成能力结合，为解决这一难题提供了重要思路。 然而，RAG系统的核心性能——数据召回率，高度依赖于底层数据的质量与组织形式。
4/1/2025 10:01:42 AM
后端小肥肠
RAG（八）自反思检索增强生成--Self-RAG

RAG（八）自反思检索增强生成--Self-RAG
大语言模型具有显著的能力，但它们常常因为仅依赖于其参数化知识而产生包含事实错误的响应。 传统的检索增强生成（Retrieval-Augmented Generation, RAG）方法虽然能减少这些问题，但是存在无差别地检索和结合固定数量的段落，没有考虑检索是否必要或检索结果的相关性，都会削弱语言模型的灵活性，或者导致无益的响应生成。 现在LLM RAG（检索增强）的技术方案已成为LLM在众多应用场景的主流。
4/1/2025 9:25:09 AM
Goldma
MCP 和 Function Calling：概念

MCP 和 Function Calling：概念
随着人工智能的快速发展，大型语言模型（LLMs）逐渐深入到我们生活与工作的各个方面。 然而，尽管模型强大，但其能力仍存在局限性，比如在实时信息获取和复杂任务执行方面仍有不足。 RAG（检索增强生成）现在在企业的 AI 应用中使用很广泛，就是为了解决模型的信息不够实时，且没有垂直领域知识的问题。
4/1/2025 8:45:56 AM
不止dotNET
QA方法论在RAG中的应用

QA方法论在RAG中的应用
QA问答模型是一种自然语言处理（NLP）技术，旨在根据输入的问题自动提供准确的答案。 一、基本原理数据预处理首先需要对大量的文本数据进行收集、清洗等操作。 这些文本数据可以来自各种来源，如百科知识、新闻文章、学术文献等。
4/1/2025 2:22:00 AM
demo123456
大模型不再是路痴！空间推理的答案是RAG：旅游规划、附近推荐全解锁

大模型不再是路痴！空间推理的答案是RAG：旅游规划、附近推荐全解锁
近年来，大型语言模型（LLMs）的进展已经在机器学习（ML）的许多领域带来了变革，特别是在理解和生成类人文本方面，激发了人们通过直接从LLMs中提取空间知识来弥合空间问答与自然语言之间的差距，研究成果涵盖了广泛的应用，包括地理百科全书问答、地理定位和自动高精度地图生成等。 然而，当涉及到空间推理任务时，LLMs的表现却显得力不从心，甚至在处理基本的空间任务时也遇到困难，例如地理解析和理解相对空间关系。 这种差距在处理现实世界的空间推理任务时尤为明显，例如图1中所示的场景：图1 现实世界中空间推理问题示例。
3/28/2025 10:42:17 AM
新智元
从裁员到年薪百万：程序员靠RAG技术逆袭的“核心密码”

从裁员到年薪百万：程序员靠RAG技术逆袭的“核心密码”
1.前言作为一名从业七年的程序员，最近听到很多程序员朋友都喜提了n 1裁员大礼包。 上周与老友聚会时，大家纷纷诉说着各自最近的遭遇，聚会气氛一度十分沉重。 老Z感叹：“公司决定将部分业务外包，结果我被列入了裁员名单。
3/28/2025 8:17:08 AM
后端小肥肠