基于Cherry Studio实现DeepSeek大模型 + RAG知识库
原文中文，约1700字，阅读约需4分钟。发表于：。作者：厦门大学信息学院计算机科学系2023级研究生 黄万嘉 指导老师：厦门大学数据库实验室 林子雨 博士/副教 […]
Cherry Studio 是一款跨平台桌面客户端，集成300多个大语言模型，支持多种AI服务。其核心功能是通过外部知识库提升模型回答质量，适用于法律和医疗等领域。用户可实时更新数据，支持多种文件格式，快速检索信息。
标签
rag
相关的文章：本列表汇集了关于RAG技术及其在大语言模型中的应用的文章，涵盖从基础实现到优化策略的多种主题，助您深入了解这一前沿技术。
Understanding RAG Part V: Managing Context Length
发表于：。Be sure to check out the previous articles in this series: •
RAG簡介投影片：現況、原理、發展 / RAG Introduction Slides: Current Status, Mechanisms, and Development
原文中文，约2200字，阅读约需6分钟。发表于：。這份投影片對檢索生成增強(Retrieval-Augmented Generation, RAG)的觀念作一個容易理解的介紹，也是「資訊檢索的AI革新：從資訊檢索到檢索增強生成」這篇的簡化版本。一般說到AI大家都會想到創造力、彷彿真人的表現，但RAG本質上更接近資訊檢索的問題。把它當作資料庫就很容易理解RAG的用途了。 This presentation provides an...
这份幻灯片介绍了检索增强生成（RAG）技术，强调其在信息检索中的重要性。RAG通过外部数据库提升大型语言模型的准确性，并探讨其工作原理、发展方向及实际挑战。尽管RAG并非万能，但能有效利用数据，改善知识获取。
RAG在处理长上下文时真的表现不好么？
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对大型语言模型在长上下文处理中的效率问题，提出了一种新的RAG框架RetroLM。与传统方法不同，RetroLM通过KV级别的检索增强技术，提高了对检索不准确的鲁棒性，并在多种基准测试中显著超越了现有的长上下文处理方法，尤其是在需要深度推理或极长上下文理解的任务中。
本研究提出了RetroLM框架，旨在提高大型语言模型在长上下文处理中的效率。该框架通过KV级别检索增强技术，增强了鲁棒性，并在多项基准测试中显著优于现有方法，尤其在深度推理和极长上下文理解任务中表现突出。
使用.NET摄取文档构建简单的检索增强生成（RAG）系统
原文英文，约1500词，阅读约需6分钟。发表于：。Here is a quick post summarising how to use .NET Semantic Kernel, Qdrant and .Net to ingest markdown documents. One of the comments a recent post related to the topic was about why using Python...
本文介绍了如何使用.NET Semantic Kernel和Qdrant处理Markdown文档，包括文档分割、生成嵌入和向量存储管理。示例中使用LangChain .NET进行文本分割，并展示了如何查看处理结果和指标。最终用户可通过Aspire Dashboard获取相关信息。
R.I.P. RAG？Gemini Flash 2.0可能再次革命化AI——检索增强生成是否已过时？
原文英文，约1000词，阅读约需4分钟。发表于：。You clicked because you're in the AI trenches, right? You're wrestling with Large Language Models (LLMs), trying to make them actually useful for real-world applications. And chances are, you've...
Gemini Flash 2.0的推出可能使检索增强生成（RAG）技术变得过时。它提供了100万标记的巨大上下文窗口，简化了AI应用的复杂性，提高了效率和响应速度。尽管RAG在特定场景中仍有用，但Gemini Flash 2.0可能会重新定义AI的构建和部署方式。
使用免费大型语言模型的RAG
原文英文，约100词，阅读约需1分钟。发表于：。How to Create Your Own RAG with Free LLM Models and a Knowledge Base Alexander Uspenskiy ・ Dec 16 '24 #python #ai #rag #vectordatabase
抱歉，您提供的文本没有具体的文章内容。请提供详细信息，我将为您进行总结。
Prompt Engineering Patterns for Successful RAG Implementations
发表于：。You know it as well as I do: people are relying more and more on generative AI and large language models (LLM) for quick and easy information acquisition.
雜談：我可以只要RAG的「R」嗎？ / TALK: Can I Just Have the “R” in RAG?
原文中文，约2500字，阅读约需6分钟。发表于：。很多人以為RAG可以取代搜尋引擎，但其實很多人要的功能只有「能用自然語言檢索」而已。 RAG中的語意檢索 / Semantic Search in RAG RAG的全名「Retrieval-Augmented...
RAG（检索增强生成）并非真正的检索工具，其“R”部分依赖语义检索，导致搜索结果数量有限，通常仅为3到10条，且可能来自同一文档，这对研究者造成限制。微软的新AI搜索功能支持自然语言检索，标志着语义检索的普及。
优化大型语言模型的检索增强生成（RAG）
原文英文，约700词，阅读约需3分钟。发表于：。Introduction Retrieval-Augmented Generation (RAG) has emerged as a powerful paradigm for enhancing the capabilities of Large Language Models (LLMs) by combining information retrieval with...
检索增强生成（RAG）结合信息检索与文本生成，提升大型语言模型（LLM）的能力。RAG动态检索相关信息，适用于需要最新知识的任务。优化RAG面临延迟、检索相关性和计算成本等挑战。通过高效向量检索、混合检索、上下文窗口优化、缓存机制和微调等技术，可以提升RAG性能并降低成本。
