标签

 rag 

相关的文章:

本列表页汇集了关于RAG的多篇文章,涵盖基础知识、应用实例及最新技术动态,助力读者深入理解RAG在数据科学和AI领域的重要性。

发表于:
阅读原文

RAG 从 0 到 100!多种样例、简单实现 | 开源日报 No.643

FareedKhan-dev/all-rag-techniques all-rag-techniques 是一个以更简单的方式实现所有检索增强生成(RAG)技术的项目。 提供清晰、易于理解的 RAG 技术实现。 使用常见 Python 库,如 openai、numpy 和 matplotlib,避免依赖复杂框架。 包含多个 Jupyter Notebook,每个聚焦于特定...

all-rag-techniques 是一个简化 RAG 技术实现的项目,使用常见的 Python 库,提供 Jupyter Notebook 和代码示例,便于理解和应用,并定期更新以涵盖最新方法。

RAG 从 0 到 100!多种样例、简单实现 | 开源日报 No.643
原文中文,约800字,阅读约需2分钟。发表于:
阅读原文
原文中文,约3300字,阅读约需8分钟。发表于:
阅读原文

RAG Series - Basic RAG (Simple RAG)

01. 基础RAG(Simple RAG) 方法简介 基础RAG(Retrieval-Augmented Generation)是最简单的检索增强生成方法。它通过向量化检索获取与用户查询最相关的文档片段,并将这些片段作为上下文输入给大语言模型进行答案生成。 核心代码 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 ...

基础RAG(检索增强生成)方法通过向量化检索相关文档片段,作为上下文输入大语言模型生成答案。其流程包括提取PDF文本、分块、生成嵌入、语义搜索和答案生成,简单易懂,适合处理PDF文档。

原文英文,约1200词,阅读约需5分钟。发表于:
阅读原文

RAG Series - Semantic Chunking RAG (语义分块RAG)

02. 语义分块RAG(Semantic Chunking RAG) 方法简介 语义分块RAG通过计算句子间的语义相似度来智能分块,而不是简单的固定长度分块。它使用百分位数、标准差或四分位距等方法找到语义断点,将文本分割成语义连贯的块,提升检索精度。 核心代码 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 ...

语义分块RAG方法通过计算句子间的语义相似度进行智能分块,从而提高检索精度。该方法利用百分位数等技术识别语义断点,将文本划分为连贯的块,并支持多种断点检测方式。

原文英文,约1500词,阅读约需6分钟。发表于:
阅读原文
发表于:
阅读原文

图谱RAG:Lettria如何通过Qdrant和Neo4j实现20%的准确性提升

Scaled Vector & Graph Retrieval: How Lettria Unlocked 20% Accuracy Gains with Qdrant & Neo4j Why Complex Document Intelligence Needs More Than Just Vector Search In regulated industries where...

Lettria结合Qdrant和Neo4j开发的混合图RAG系统,提升了20%的准确性,特别适用于制药和法律等高要求行业。该系统通过复杂文档解析、自动本体生成和向量搜索,克服了传统RAG的不足,实现高效且可审计的文档智能。

图谱RAG:Lettria如何通过Qdrant和Neo4j实现20%的准确性提升
原文英文,约2800词,阅读约需11分钟。发表于:
阅读原文

浅谈RAG

权衡LLM的发散性与其准确性之后的产物

RAG(检索增强生成)通过动态注入外部知识,解决了基础LLM的知识固化、知识不足和事实幻觉问题,提升了准确性和效率。其应用包括智能医患问答、地理信息知识库和金融风控系统,展现出高效性和成本效益。未来,RAG可能成为智能自我检索机制的标准之一。

浅谈RAG
原文中文,约1500字,阅读约需4分钟。发表于:
阅读原文

作为数据科学家,为什么你需要检索增强生成(RAG)来保持相关性

How retrieval-augmented generation (RAG) reduces LLM costs, minimises hallucinations, and keeps you employable in the age of AI.

检索增强生成(RAG)结合检索器与生成器,能有效降低大语言模型(LLM)的成本,减少幻觉风险。RAG通过提取文档中的相关信息,优化查询过程,节省令牌使用,提高数据科学效率。随着AI模型的发展,RAG在自动化任务和生成可靠信息方面愈发重要。

作为数据科学家,为什么你需要检索增强生成(RAG)来保持相关性
原文英文,约1100词,阅读约需4分钟。发表于:
阅读原文
原文中文,约500字,阅读约需1分钟。发表于:
阅读原文