AI在线 AI在线

RAG

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
我们一起聊聊如何给AI大模型喂数据？

我们一起聊聊如何给AI大模型喂数据？
大家好呀，我是飞鱼。 如果我想要大模型学习我的知识，怎么给他数据呢？ 数据是大模型的食物，只有喂对了，模型才能更好地学习和成长。
1/10/2025 8:06:39 AM
日常加油站
从数据孤岛到智能系统：RAG和知识图谱的协同作用

从数据孤岛到智能系统：RAG和知识图谱的协同作用
译者 | 晶颜审校 | 重楼RAG和知识图谱集成可以释放出更大的潜力，实现更深入的理解、推理和准确性。 在当今信息驱动的时代，数据是企业、研究人员和个人的重要资源。 然而，这些数据通常分散在跨系统的孤岛中，它们是非结构化的，并且无法进行有效的分析。
1/9/2025 10:52:23 AM
晶颜
2024 Github 十大最佳 RAG 框架

2024 Github 十大最佳 RAG 框架
检索增强生成（RAG）已成为增强大型语言模型能力的一项强大技术。 RAG 框架结合了基于检索的系统和生成模型的优势，可以做出更准确、更能感知上下文和更及时的响应。 随着对复杂人工智能解决方案需求的增长，GitHub 上出现了许多开源 RAG 框架，每个框架都具有独特的特性和功能。
1/2/2025 11:54:01 AM
云朵君
腾讯基于 RAG 和 Agent 技术的混元大模型业务落地实践

腾讯基于 RAG 和 Agent 技术的混元大模型业务落地实践
在本篇文章中，我们将深入探讨腾讯大语言模型在多个业务场景中的应用，特别是如何通过前沿技术提升模型的智能化与用户体验。 首先介绍腾讯大模型的广泛应用场景，如内容生成、智能客服和角色扮演等，并详细解析 RAG（Retrieval-Augmented Generation）技术及其在实际业务中的创新应用，特别是在文档生成和问答系统中的优势。 此外，文章还将探讨 GraphRAG 在角色扮演场景中的应用，如何结合知识图谱优化复杂的知识推理。
12/11/2024 8:28:15 AM
赵喜生
2025年企业对AI的期望

2025年企业对AI的期望
AI驱动的变革即将到来，但2025年将是缓慢而稳步进展的一年。 今年，随着更现实的期望占据主导，围绕AI的初步炒作和兴奋已经平息。 对于企业部署而言，这一点尤其明显，因为现有模型的能力与许多业务工作流的复杂性相结合，导致进展比许多人预期的要慢。
12/10/2024 3:10:26 PM
Martin
自己动手实现一个RAG应用

自己动手实现一个RAG应用
我们知道 RAG 有两个核心的过程，一个是把信息存放起来的索引过程，一个是利用找到相关信息生成内容的检索生成过程。 所以，我们这个 RAG 应用也要分成两个部分：索引和检索生成。 RAG 是为了让大模型知道更多的东西，所以，接下来要实现的 RAG 应用，用来增强的信息就是我们这门课程的内容，我会把开篇词做成一个文件，这样，我们就可以和大模型讨论我们的课程了。
12/6/2024 9:58:09 AM
greencoatman
RAG：让大模型知道更多东西

RAG：让大模型知道更多东西
虽然我们说大模型的特点之一是知识丰富，但这里的知识仅限于通用的知识，也就是网上能够很容易找到的知识。 对于一些特定的知识，比如你所在业务领域的知识，它就一无所知了。 个中缘由，不言而喻，大模型训练时，根本不可能拿到你们公司的数据。
12/4/2024 10:35:21 AM
greencoatman