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
分享给好友

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。

Jupyter Notebook Python RAG 代码示例 开源 技术实现
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
分享给好友
原文中文，约3300字，阅读约需8分钟。发表于：。
阅读原文
分享给好友

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。

PDF处理 RAG 文档检索 答案生成 语义搜索
原文英文，约1200词，阅读约需5分钟。发表于：。
阅读原文
分享给好友

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。

RAG方法 rag 断点检测 检索精度 语义分块 语义相似度
原文英文，约1500词，阅读约需6分钟。发表于：。
阅读原文
分享给好友
发表于：。
阅读原文
分享给好友

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。

Lettria Neo4j Qdrant RAG系统 rag 图谱 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
分享给好友

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。

LLM RAG 信息检索 文本生成 知识
浅谈RAG
原文中文，约1500字，阅读约需4分钟。发表于：。
阅读原文
分享给好友

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。

RAG 大语言模型 幻觉风险 成本 自动化任务
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
分享给好友
原文中文，约500字，阅读约需1分钟。发表于：。
阅读原文
分享给好友