搜索[RAG]结果-低调大师优秀个人博客

精选列表

搜索[RAG]，共1231篇文章

RAG框架

摘要：知识图谱（KG）在人工智能领域至关重要，广泛应用于下游任务，如问答（QA）。KG的建设通常需要领域专家付出巨大的努力。大型语言模型（LLM）于近期被用于知识图谱构建（KGC）。然而，大多数现有的方法侧重于局部视角，从单个句子或文档中提取知识三元组，缺少在全局KG中组合知识的融合过程。这项工作介绍了Graphusion，一个来自自由文本的零样本KGC框架。它包含三个步骤：在步骤1中，我们使用主题建模提取种子实体列表，以指导最终的KG包含最相关的实体；在步骤2中，我们使用LLM进行候选三元组提取；在步骤3中，我们设计了一个新的融合模块，该模块提供了提取知识的全局视图，结合了实体合并、冲突解决和新的三元组发现。结果表明，Graphusion在实体提取和关系识别方面分别获得了2.92和2.37分（满分3分）。此外，我们展示了Graphusion如何应用于自然语言处理（NLP）领域，并在教育场景中对其进行验证。具体来说，我们介绍了TutorQA，这是一个新的经过专家验证的QA基准，包括六个任务和总共1200对QA。使用Graphusion构建的KG，我们在基准上实现了显著的改进，例如，子图补全的准确率提高了9.2%。

2026-07-13

LazyLLM教程 | 第18讲：高阶RAG：Agentic RAG

前面教程中，我们学习到了如何构建 RAG 系统，以及对 RAG 系统进行效果提升、速度优化、功能扩展等等方面。

2025-12-08

RAG评测指标

RAG 评测指标按照「检索层-生成层-端到端层-工程层-专项安全层」五层架构拆解，覆盖从底层组件能力到最终业务价值的全链路；按评测方式可分为客观量化指标、LLM 语义评测指标和人工评审指标三类。

2026-09-08

RAG 实践：一文掌握大模型 RAG 过程

一、RAG是什么？

2025-10-09

RAG实践:一文掌握大模型RAG过程

一、RAG是什么？

2025-09-28

我把 22 篇 RAG 论文喂给了 RAG，让 AI 自己给我讲明白什么是 RAG

最近想搞懂 RAG（检索增强生成），去 arXiv 一顿下载，22 篇经典论文 PDF 整整齐齐躺在文件夹里——然后就开始吃灰了。

2026-07-27

DeepSearcher深度解读：Agentic RAG的出现，传统RAG的黄昏

01 从RAG到Agentic RAG，更聪明的推理，到底为RAG带来了什么？如果要给DeepSearcher一个明确的定性，那它应该属于一个非常典型的Agentic RAG架构。

2025-03-04

RAG — Chunking 策略实战

一、背景在 RAG 系统中，即便采用性能卓越的 LLM 并反复打磨 Prompt，问答仍可能出现上下文缺失、事实性错误或拼接不连贯等问题。

2025-10-31

驳“RAG 已死”论：上下文窗口扩展≠RAG 终结

02 RAG 与上下文窗口的演进让我们回顾一下历史。早期的 LLM（如 GPT-3）仅有很小的上下文窗口（约 2K token），这使得 RAG 几乎成为所有非简单应用的必备方案。

2025-05-12

RAG 修炼手册｜一文讲透 RAG 背后的技术

在之前的文章中《RAG 修炼手册｜RAG敲响丧钟？

2024-04-10

LazyLLM教程 | 第19讲：高阶RAG：基于知识图谱的RAG

传统的、也被称作朴素RAG（naive RAG）的流程，通常包括对私有知识库中的内容进行文本切分、向量化编码以及索引构建等步骤。

2025-12-15

Elasticsearch：没有 “AG” 的 RAG？

你可能听说过 RAG（Retrieval Augmented Generation - 检索增强生成），这是一种将你自己的文档与 LLM 结合，以生成类人回答的常用策略。

2025-05-07

何时应用 RAG 与微调

充分发挥 LLM 的潜力需要在检索增强生成（RAG）和微调之间选择正确的技术。让我们来看看何时对 LLM、较小的模型和预训练模型使用 RAG 与微调。

2024-04-03

RAG 调优指南：Spring AI Alibaba 模块化 RAG 原理与使用

作者：夏冬，Spring AI Alibaba Contributor RAG 简介什么是 RAG（检索增强生成） RAG（Retrieval Augmented Generation，检索增强生成）

2025-04-01

Advanced RAG 07：在RAG系统中进行表格数据处理的新思路

编者按：目前，检索增强生成（RAG）系统成为了将海量知识赋能于大模型的关键技术之一。然而,如何高效地处理半结构化和非结构化数据，尤其是文档中的表格数据，仍然是RAG系统面临的一大难题。

2024-05-15

RAG系统测试性能优化指南

在生成式AI落地加速的今天，检索增强生成（RAG）系统正成为企业知识中枢的核心架构——它既规避了大模型幻觉风险，又赋予LLM可解释、可审计、可更新的业务能力。

2026-09-09

查询分解提升多跳 RAG

关键参数与边界：①子查询 23 个，过多噪声、过少不全；②用 gpt-4o-mini 轻量即可；③各子查询 top-2 去重合并；④对单跳事实类问题增益有限，多跳/对比类增益明显；线上增加一次 LLM 调用约 300800ms，可缓存高频子查询模板。

2026-09-06

LLM / RAG / Agent 的评估工具

LLM RAG Agent 三类场景的评估工具对比，按“工具→定位→核心能力→适用场景”结构化呈现。

2026-08-24

HAR文件如何辅助RAG评测

HAR（HTTP Archive），是W3C事实标准的HTTP会话存档文件，本质是JSON格式，完整记录一次会话下全部HTTP/HTTPS请求与响应全量数据。

2026-08-24

PageIndex - 基于推理的 RAG 系统

PageIndex是一个基于推理的 RAG系统，它构建长文档的树状索引，并基于该索引进行推理以进行检索。

2025-11-06

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。