AI在线 AI在线

RAG

RAG：2025年检索增强生成前沿技术完全指南

RAG：2025年检索增强生成前沿技术完全指南
一、RAG技术的核心突破与行业影响在生成式人工智能爆发的今天，检索增强生成（Retrieval-Augmented Generation, RAG）正以其独特的技术架构，成为连接静态知识库与动态生成能力的桥梁。 这项诞生于2020年的创新技术，通过将信息检索（Retrieval）与文本生成（Generation）解耦又融合的设计，突破了传统语言模型“幻觉”问题的桎梏，为构建可信、可控、可扩展的AI系统奠定了基础。 根据Gartner最新报告，2024年全球已有45%的企业在智能客服、数据分析等场景中部署RAG系统，预计到2025年这一比例将突破68%。
6/13/2025 2:25:00 AM
大模型之路
从 LangChain 到企业级应用：RAG 中 Fixed-Size Chunking 的最佳实践揭秘

从 LangChain 到企业级应用：RAG 中 Fixed-Size Chunking 的最佳实践揭秘
众所周知，在构建 RAG（Retrieval-Augmented Generation，检索增强生成）系统的过程中，文档切块策略往往决定了模型检索质量的上限。 切得好，信息命中更精准，生成回答更有上下文逻辑；切得差，模型则容易“答非所问”。 在众多策略中，Fixed-Size Chunking（固定切块）可谓最简单直接，却也是最常被忽视的一种。
6/11/2025 8:40:00 AM
Luga Lee
OCR 识别质量如何影响 RAG 系统的性能？有何解决办法？

OCR 识别质量如何影响 RAG 系统的性能？有何解决办法？
检索增强生成（RAG）已成为连接大语言模型与企业数据的标准范式，但该方法存在一个鲜少被讨论的致命缺陷：当前生产环境中的 RAG 系统几乎全部依赖光学字符识别（OCR）技术处理 PDF、扫描件、演示文稿等文档，并默认假设识别结果足以支撑下游 AI 任务。 我们的深度分析表明，这一假设存在根本性缺陷。 OCR 的识别质量形成了一个隐形的天花板，甚至限制了最先进 RAG 系统的性能。
6/11/2025 3:10:00 AM
Baihai IDP
什么时候GraphRAG超越传统RAG：突破医学等知识密集任务的AI新范式和GraphRAG-Bench评估框架

什么时候GraphRAG超越传统RAG：突破医学等知识密集任务的AI新范式和GraphRAG-Bench评估框架
核心速览研究背景研究问题：这篇文章要解决的问题是如何在检索增强生成（RAG）系统中有效利用图结构来提升大型语言模型（LLMs）的性能，特别是在知识密集型任务中。 研究难点：该问题的研究难点包括：现有基准测试（如HotpotQA、MultiHopRAG和UltraDomain）未能充分评估图结构在RAG系统中的有效性；现有数据集缺乏领域特定知识和明确的逻辑连接；现有基准测试的任务复杂度划分不细致，无法全面评估模型的复杂推理能力。 相关工作：该问题的研究相关工作有：传统的RAG系统通过将文本分块进行索引和检索，但这种方法会牺牲上下文信息；GraphRAG系统通过构建外部结构化图来改进LLMs的上下文理解能力，但其在实际任务中的表现不一致。
6/11/2025 2:55:00 AM
知识图谱科技
RAG系列：切分优化 - 基于 Markdown 语法的文档切分

RAG系列：切分优化 - 基于 Markdown 语法的文档切分
引言在RAG系列：解析优化 - 不同文件类型统一转换成Markdown一文中我们介绍了将不同文件类型统一解析转换成 Markdown 文件的好处。 本文我们接着这篇文章解析转换后的 Markdown 文件，介绍下基于 Markdown 语法的文档切分方法。 关于指标在RAG系列：系统评估 - 五个主流评估指标详解一文中我们介绍了评估 RAG 系统的五个主流指标，从本文开始，我会根据不同优化阶段来选择要重点关注的指标，不必要每次都关注五个指标的表现，这样可以让我们的优化更聚焦，通过优化每个阶段的重点指标，从而逐步优化系统的各个环节。
6/10/2025 4:30:00 AM
燃哥讲AI
盘点RAG中最容易犯的五个错误

盘点RAG中最容易犯的五个错误
我大部分时间都在构建和改进 Retrieval-Augmented Generation (RAG) 应用。 我相信 RAG 可能是最受欢迎的 AI 应用之一。 它无处不在，从聊天机器人到文档摘要。
6/10/2025 3:00:00 AM
AI研究生
告别 RAG 还太早？听听 Anthropic 怎么说

告别 RAG 还太早？听听 Anthropic 怎么说
你有没有向你的RAG系统问过一个具体问题，却得到一个令人沮丧的模糊答案？ 你并不孤单。 以下是一个巧妙的改进方法如何改变游戏规则。
6/10/2025 2:44:00 AM
AI研究生
RAG、向量数据库和LLM搜索：人工智能驱动商业智能的未来

RAG、向量数据库和LLM搜索：人工智能驱动商业智能的未来
译者 | 李睿审校 | 重楼本文对RAG、向量数据库和LLM搜索如何塑造人工智能驱动的商业智能未来进行探讨。 RAG通过集成知识检索提升LLM性能，解决其无法及时纳入最新或专有信息的问题，尤其在客户服务领域影响显著。 向量数据库则支持快速相似性搜索，理解查询语义。
6/6/2025 8:39:15 AM
李睿
结合LangGraph、DeepSeek-R1和Qdrant 的混合 RAG 技术实践

结合LangGraph、DeepSeek-R1和Qdrant 的混合 RAG 技术实践
一、引言：混合RAG技术的发展与挑战在人工智能领域，检索增强生成（RAG）技术正成为构建智能问答系统的核心方案。 传统RAG通过向量数据库存储文档嵌入并检索相关内容，结合大语言模型（LLM）生成回答，有效缓解了LLM的“幻觉”问题。 然而，单一的稠密向量检索（如基于Transformer的嵌入模型）在处理关键词匹配和多义词歧义时存在局限性，而稀疏向量检索（如BM25）虽擅长精确关键词匹配，却缺乏语义理解能力。
6/6/2025 3:11:00 AM
大模型之路
“一代更比一代强”：现代 RAG 架构的演进之路

“一代更比一代强”：现代 RAG 架构的演进之路
基于 RAG（检索增强生成）的 AI 系统，过去是，现在仍然是企业利用大语言模型（LLM）的最有价值的应用之一。 我记得差不多两年前我写了第一篇关于 RAG 的文章，那时候这个术语还未被广泛采用。 我当时描述的是一个以最基础方式实现的 RAG 系统。
6/6/2025 1:15:00 AM
Baihai IDP
实用指南：构建基于RAG的聊天机器人

实用指南：构建基于RAG的聊天机器人
译者 | 布加迪审校 | 重楼“你能为我们开发一个聊天机器人吗？ ” 如果你的IT团队还没有收到这个请求，相信我，很快就会收到。 随着大语言模型（LLM）的兴起，聊天机器人已成为新的必备功能——无论你是交付SaaS服务、管理内部工具，还是仅仅试图解读庞大的文档。
6/4/2025 8:21:28 AM
布加迪
一文让你搞懂什么是 RAG

一文让你搞懂什么是 RAG
鸡哥是一个优秀且苦逼的程序员，每天都被领导无情地摧残着，就在他感觉身体即将被掏空时，领导又让他充当交际花，利用美色从某个女老板手里拿到投资。 正所谓工欲善其事，必先利其器，领导给鸡哥一份文档，是从女老板秘书手里买来的，里面记录了女老板近一年的生活轨迹等，让鸡哥在脑海中构建女老板的画像。 没过多久，女老板要求在饭桌上洽谈合作的事情，那么鸡哥自然要打扮一番，可是该穿什么样的衣服呢？
6/4/2025 3:21:00 AM
古明地觉
RAG系列：解析优化 - 不同文件类型统一转换成Markdown

RAG系列：解析优化 - 不同文件类型统一转换成Markdown
引言在 RAG 系统中，文件解析是构建知识库和实现高效信息检索的关键环节。 随着系统需要处理的文件类型日益增多（如PDF、Word、Excel、PPT、HTML等），如何高效解析并利用这些异构数据成为核心挑战。 由于每种文件类型的数据结构和内容（如PDF的复杂排版、Excel的表格结构、PPT的多媒体元素）都不一致，在实际的应用场景中，我们需要对不同文件类型实现不同的解析器，解析之后还需要根据不同文件的结构实现对应的文档分块方法。
6/3/2025 8:50:24 AM
燃哥讲AI
基于Gemini与Qdrant构建生产级RAG管道：设计指南与代码实践

基于Gemini与Qdrant构建生产级RAG管道：设计指南与代码实践
一、RAG技术的核心价值与应用场景在人工智能领域，检索增强生成（Retrieval-Augmented Generation, RAG）正成为解决大语言模型（LLM）知识更新滞后、生成内容不可追溯等问题的关键技术。 传统的微调（Fine-Tuning）方法将知识固化在模型参数中，难以应对动态领域的快速变化；而RAG通过将检索与生成解耦，实现了知识的实时更新与可追溯性，尤其适用于政策频繁变动、对准确性要求极高的场景，如医疗、法律和航空管理。 本文以构建机场智能助理为例，结合Google的Gemini多模态模型与Qdrant向量数据库，详细阐述如何设计并实现一个高可靠、可扩展的生产级RAG管道。
6/3/2025 2:55:00 AM
大模型之路
RAG中基于图的重排序：利用图神经网络革新信息检索（含代码）

RAG中基于图的重排序：利用图神经网络革新信息检索（含代码）
一、信息检索的演进与图重排序的崛起在大数据与人工智能技术爆发的时代，信息检索（IR）系统面临着前所未有的挑战：用户查询日益复杂，跨领域知识需求激增，传统基于词法匹配或单一语义向量的检索模型逐渐暴露局限性。 两阶段检索架构——初始检索与重排序——虽已成为主流，但第一阶段的快速检索常因忽略文档间关联而引入噪声，第二阶段的传统重排序器（如交叉编码器）又难以捕捉结构化知识与全局语义关系。 在此背景下，基于图的重排序（Graph-Based Re-ranking）技术应运而生，通过图神经网络（GNN）建模文档、实体与查询间的复杂关系，为信息检索领域注入了全新的活力。
6/3/2025 2:11:00 AM
大模型之路
一文教你玩转 RAG 大模型应用开发

一文教你玩转 RAG 大模型应用开发
Part.1.RAG这么火，你会用吗？ 自从大模型技术走向市场以来，“幻觉”现象总是对用户造成困扰，而RAG（Retrieval-Augmented Generation，检索增强生成）技术正在成为解决这一难题的利器。 国内众多科技大厂在实践RAG技术时都取得了阶段性的成果。
5/30/2025 1:00:00 AM
三笠
一文读懂 RAG Fixed-Size Chunking 策略解析与优秀实践

一文读懂 RAG Fixed-Size Chunking 策略解析与优秀实践
Hello folks，我是 Luga，今天我们来聊一下人工智能应用场景 - 构建高效、灵活的计算架构的 RAG 架构的切块策略—Fixed-Size Chunking（固定切块）。 众所周知，在构建 RAG（Retrieval-Augmented Generation，检索增强生成）系统的过程中，文档切块策略往往决定了模型检索质量的上限。 切得好，信息命中更精准，生成回答更有上下文逻辑；切得差，模型则容易“答非所问”。
5/28/2025 9:00:00 AM
Luga Lee
我的RAG开源项目300+star了，十分适合新手入门（日志级详细拆解）

我的RAG开源项目300+star了，十分适合新手入门（日志级详细拆解）
三个月前，我在 Github 上开源的一个 RAG 练手项目，目前已经有了 327 个 star，总共解决了 22 个 issues。 结合过去几个月的项目实践，我重新对项目做了轻量化重构，降低资源消耗与部署门槛。 项目地址：，五脏俱全。
5/28/2025 5:00:00 AM
韦东东