AI在线 AI在线

RAG

少即是多：为什么文档检索量低反而会提高答案质量

少即是多：为什么文档检索量低反而会提高答案质量
译者 | 核子可乐审校 | 重楼检索增强生成（RAG）是一种将语言模型与外部知识源结合的AI系统构建方法。 简单来说，AI会先搜索与用户查询相关的文档（如文章或网页），然后利用这些文档生成更准确的答案。 这种方法因能帮助大语言模型（LLM）扎根真实数据、减少虚构信息而受到推崇。
4/23/2025 8:14:41 AM
核子可乐
MinerU部署实践：从零开始搭建你的专属PDF解析服务

MinerU部署实践：从零开始搭建你的专属PDF解析服务
在多模态RAG（Retrieval-Augmented Generation）系统中，PDF文件的高效、安全解析与处理是实现高质量知识检索和生成的关键环节。 PDF文件通常包含丰富的文本、图像和表格信息，这些多模态数据的有效提取和整合对于提升RAG系统的性能至关重要。 然而，传统的PDF解析工具往往存在解析精度不足、无法处理复杂格式（如图像和表格）等问题，尤其是在涉及私密文档时，数据安全和隐私保护也是一大挑战。
4/23/2025 3:00:00 AM
Goldma
RAG增强系统Node：AI检索革命，效率飙升30%！

RAG增强系统Node：AI检索革命，效率飙升30%！
随着生成式人工智能技术的飞速发展，检索增强生成（Retrieval-Augmented Generation， RAG）系统正成为提升大语言模型(LLM)准确性和上下文相关性的关键技术。 近日，一款名为NodeRAG的创新RAG增强系统引起了业界广泛关注，其独特的异构图结构为RAG工作流带来了革命性突破。 NodeRAG:异构图驱动的RAG新范式NodeRAG是一个以图结构为核心的RAG框架，通过引入异构图（Heterogeneous Graph）技术，将文档分解信息与大语言模型提取的洞察力统一为图中的节点。
4/22/2025 2:00:41 PM
AI在线
万字拆解！最新多模态 RAG 技术全景解析！

万字拆解！最新多模态 RAG 技术全景解析！
来自华为云的最新多模态RAG综述，非常全面，对多模态RAG感兴趣的朋友强烈推荐！ 复制1、引言传统的RAG系统主要依赖于文本数据，通过检索与查询语义相似的相关文档片段，并将其与查询结合，形成增强的输入，供LLMs生成回答。 这种方法使得LLMs能够在推理阶段动态整合最新信息，从而提高回答的准确性和可靠性。
4/22/2025 7:00:00 AM
Goldma
Cohere在微软Azure AI Foundry推出两款新模型，助力RAG与智能体AI工作流优化

Cohere在微软Azure AI Foundry推出两款新模型，助力RAG与智能体AI工作流优化
近日，Cohere在微软Azure AI Foundry平台上推出了两款全新模型——Command A和Embed 4，为企业级RAG（检索增强生成）和智能体AI工作流带来显著提升。 这两款模型以其生产就绪和高开发友好性，广泛适用于智能文档问答、企业级Copilot以及可扩展的搜索应用场景。 Command A：驱动智能体AI的高效引擎Command A是Cohere专为智能体AI工作流设计的大型语言模型（LLM），能够无缝集成到复杂的企业应用中。
4/21/2025 12:00:57 PM
AI在线
打破LLM的语境障碍：InfiniRetri vs RAG

打破LLM的语境障碍：InfiniRetri vs RAG
译者 | 晶颜审校 | 重楼大型语言模型（LLM）正在重塑人工智能的格局，然其亦面临一项持续性挑战——检索和利用超出其训练数据的信息。 目前，有两种模式相左的方法可以解决这个问题：其一为InfiniRetri，该方法借助LLM自身的注意力机制，从长输入中检索相关上下文；其二是检索增强生成（RAG），它在生成响应前，动态地从结构化数据库获取外部知识。 每种方法都有其独特的优势、局限性和权衡之处。
4/21/2025 8:11:09 AM
晶颜
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