AI在线 AI在线

RAG

RAG（一）RAG开山之作：知识密集型NLP任务的“新范式”

RAG（一）RAG开山之作：知识密集型NLP任务的“新范式”
在AI应用爆发的时代，RAG（Retrieval-Augmented Generation，检索增强生成）技术正逐渐成为AI 2.0时代的“杀手级”应用。 它通过将信息检索与文本生成相结合，突破了传统生成模型在知识覆盖和回答准确性上的瓶颈。 不仅提升了模型的性能和可靠性，还降低了成本，增强了可解释性。
3/3/2025 11:41:11 AM
Glodma
绕过 RAG 实时检索瓶颈，缓存增强生成（CAG）如何助力性能突破？

绕过 RAG 实时检索瓶颈，缓存增强生成（CAG）如何助力性能突破？
检索增强生成（RAG）作为一种通过整合外部知识源来增强语言模型的强大方法而备受瞩目。 不过，这种方法也带来了一些挑战，比如检索过程的延迟、文档挑选时可能出现的误差，以及系统复杂度的增加。 随着能够处理更长上下文的大语言模型（LLMs）的兴起，缓存增强生成（CAG）技术应运而生，它避免了实时的信息检索。
2/27/2025 10:55:44 AM
追求卓越的
GitHub 上流行的 RAG 框架介绍及优缺点分析

GitHub 上流行的 RAG 框架介绍及优缺点分析
随着大型语言模型在自然语言处理中的广泛应用，其固有的知识截止和“幻觉”问题逐渐暴露。 为了解决这些问题，检索增强生成（Retrieval-Augmented Generation，简称 RAG） 技术应运而生。 RAG 通过将外部知识库中的相关信息检索出来，并将这些信息融合到生成过程的上下文中，从而大幅提高了回答的准确性、时效性以及上下文一致性。
2/27/2025 9:00:00 AM
利用RAG整合代码私有仓库实现私有化代码提示的流程

利用RAG整合代码私有仓库实现私有化代码提示的流程
RAG流程RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与生成模型的技术，旨在通过外部知识库增强生成内容的准确性和相关性。 1. 数据预处理与索引构建（离线阶段）目标：构建可供检索的知识库。
2/26/2025 12:21:08 PM
demo123567
解决RAG与长上下文模型的困境，你学会了吗？

解决RAG与长上下文模型的困境，你学会了吗？
长文本模型非常适合减少某些需要更长上下文用例的幻觉，但并非所有情况都理想。 译自Solving the RAG vs. Long Context Model Dilemma，作者 Kiran Matty。
2/26/2025 12:16:56 AM
岱军
企业RAG落地避坑指南：自主开发 vs 三大框架，核心配置与选型全解析

企业RAG落地避坑指南：自主开发 vs 三大框架，核心配置与选型全解析
这个项目原是春节期间在老家给一个企业做 RAG 项目咨询的精简版本，使用 Gradio 构建 Web 界面供大家测试使用。 本是希望大家在这个基础上根据个人或者企业需求进行二次开发，但是在小红书、微信收到一些后台私信里，在集中咨询关于自行开发和现有主流 RAG 框架的区别。 所以，有了这篇。
2/24/2025 2:16:31 PM
韦东东
构建一个完全本地的语音激活的实用RAG系统

构建一个完全本地的语音激活的实用RAG系统
译者 | 布加迪审校 | 重楼本文将探讨如何构建一个RAG系统并使其完全由语音激活。 RAG（检索增强生成）是一种将外部知识用于额外上下文以馈入到大语言模型（LLM），从而提高模型准确性和相关性的技术。 这是一种比不断微调模型可靠得多的方法，可以改善生成式AI的结果。
2/24/2025 8:39:08 AM
布加迪
无需联网！DeepSeek-R1+本地化RAG，打造私有智能文档助手

无需联网！DeepSeek-R1+本地化RAG，打造私有智能文档助手
1、写在前面官方开源的版本除了满血的 671b 外，还有 1.5b，7b，8b，14b，32b，70b 六个蒸馏后的尺寸，笔者使用 Ollama 在电脑本地部署了 7b 的模型，在终端中测试了虽然回答没有满血版的那么惊艳，但凑活能用。 作为一款高阶模型开源，确实要 salute 一下。 不过进一步的问题是，我们面对这样的强思维链模型，除了在官网间或 Chat 一下，如何进一步的将其变成工作或生活场景的生产力工具？
2/21/2025 3:56:42 PM
韦东东
DeepSeek开源模型重塑法证审计，个人本地做RAG+微调，25年多试试

DeepSeek开源模型重塑法证审计，个人本地做RAG+微调，25年多试试
全球82亿人口，网民55.6亿，而ChatGPT坐拥3.5亿全球月活，渗透率算下来也有6%左右了。 但这还是DeepSeek-R1开源之前的故事。 1/20 开源以来，DeepSeek-R1属实又硬拉高了一大波全球 AI的渗透率，或者换句话说，是解锁了更多的应用场景。
2/21/2025 2:37:21 PM
韦东东
“RAG界的DeepSeek”开源-企业复杂私域知识理解与推理框架PIKE-RAG

“RAG界的DeepSeek”开源-企业复杂私域知识理解与推理框架PIKE-RAG
PIKE-RAG框架的设计目标是提供一个灵活且可扩展的RAG系统，应对工业应用中复杂多样的任务需求。 框架的核心是通过有效的知识提取、理解和组织，以及构建连贯的推理逻辑，解决了RAG系统在工业应用中的局限性。 下面来看下PIKE-RAG框架及其实现过程，供参考。
2/17/2025 3:00:00 AM
余俊晖
推荐一个企业级知识图谱增强的检索增强生成(RAG)的项目

推荐一个企业级知识图谱增强的检索增强生成(RAG)的项目
介绍Microsoft GraphRAG 是一个开源项目，旨在利用 Microsoft Graph 的强大功能构建企业级的知识图谱增强的检索增强生成（RAG）方案。 简单来说，它将企业内部的各种数据源（如邮件、文档、日历、联系人等）通过 Microsoft Graph 连接起来，形成一个结构化的知识图谱，然后利用这个知识图谱来增强 RAG 系统的检索能力，从而提升大语言模型（LLM）在企业应用中的问答和生成效果。 项目架构GraphRAG 的架构设计清晰且模块化，主要包含以下几个核心组件：(1) 数据连接器（Data Connectors）：负责从各种企业数据源（如 Microsoft 365 服务，包括 Exchange Online、SharePoint Online、OneDrive、Teams 等）提取数据。
2/13/2025 9:01:03 AM
IT运维技术圈
HtmlRAG：RAG系统中，HTML比纯文本效果更好

HtmlRAG：RAG系统中，HTML比纯文本效果更好
HtmlRAG 方法通过使用 HTML 而不是纯文本来增强 RAG 系统中的知识表示能力。 通过 HTML 清洗和两步块树修剪方法，在保持关键信息的同时缩短了 HTML 文档的长度。 这种方法优于现有基于纯文本的RAG的性能。
2/11/2025 8:50:14 AM
余俊晖
使用 DeepSeek R1 和 Ollama 搭建一个 RAG 系统（包含完整代码）

使用 DeepSeek R1 和 Ollama 搭建一个 RAG 系统（包含完整代码）
你有没有想过，能不能像跟人聊天一样，直接问 PDF 文件或技术手册问题？ 比如你有一本很厚的说明书，不想一页页翻，只想问它：“这个功能怎么用？ ”或者“这个参数是什么意思？
2/10/2025 11:27:37 AM
wayn
【RAG】RAG范式演进及Agentic-RAG总结综述

【RAG】RAG范式演进及Agentic-RAG总结综述
RAG的核心思想是通过实时数据检索弥补这一缺陷——在生成答案前，系统先从外部数据源（如数据库、API或互联网）动态检索相关上下文，再结合LLM的知识生成更精准、实时的响应。 但它们通常在处理动态、多步推理任务、适应性和复杂工作流的协调方面仍然存在不足。 rag三大组件检索器（Retriever）：从外部数据源（如向量数据库、知识图谱或网页）中搜索与查询相关的信息。
2/6/2025 1:50:06 PM
余俊晖
FastRAG：半结构化数据的检索增强生成

FastRAG：半结构化数据的检索增强生成
本文介绍了FastRAG，一种针对半结构化数据的新型RAG方法。 FastRAG采用模式学习和脚本学习来提取和结构化数据，而无需将整个数据源提交给LLM。 它将文本搜索与知识图谱（KG）查询相结合，以提高在问答任务中检索上下文丰富信息的准确性。
1/23/2025 4:23:30 PM
Meta-Chunking: 通过逻辑感知学习高效的文本分段

Meta-Chunking: 通过逻辑感知学习高效的文本分段
本文是由人大提出的，旨在解决在检索增强生成（RAG）系统中，文本分段这一关键方面被忽视的问题。 具体来说，传统文本分段方法（如基于规则或语义相似性）在捕捉句子间深层语言逻辑联系方面存在不足，导致在知识密集型任务（如开放域问答）中的性能受到影响。 本文通过引入Meta-Chunking的概念及其两种实现策略（边际采样分段和困惑度分段），解决了以下几个关键问题：逻辑连贯性问题：问题：传统文本分段方法往往基于规则或语义相似性，难以捕捉句子间的深层逻辑联系（如因果、过渡、并行和渐进关系）。
1/23/2025 4:13:35 PM
FlashRAG：重塑RAG研究的Python工具包

FlashRAG：重塑RAG研究的Python工具包
在人工智能和自然语言处理（NLP）的广阔领域中，检索增强生成（Retrieval-Augmented Generation，简称RAG）模型正逐渐成为研究和应用的新热点。 RAG模型通过结合信息检索和生成能力，极大地提高了文本生成的质量和多样性。 然而，RAG研究面临着诸多挑战，如计算效率低下、工具链复杂等。
1/17/2025 8:39:14 AM
tune
基于阿里开源Qwen2.5-7B-Instruct模型进行多代理RAG开发实战

基于阿里开源Qwen2.5-7B-Instruct模型进行多代理RAG开发实战
译者 | 朱先忠审校 | 重楼引言大型语言模型已经展现出令人印象深刻的能力，并且随着每一代新模型的发布，它们仍在稳步改进。 例如，聊天机器人和自动摘要器等应用程序可以直接利用LLM的语言能力，因为这些LLM只要求生成文本输出——这也是该类模型的自然设置。 此外，大型语言模型还表现出了理解和解决复杂任务的令人印象深刻的能力，但是只要它们的解决方案保持“纸上谈兵”，即纯文本形式，那么它们就需要外部人类用户代表它们行事并报告所提议操作的结果。
1/13/2025 10:55:53 AM
朱先忠