墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
81平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
RAG全称Retrieval-Augmented Generation，RAG（检索增强生成）是一种将信息检索与语言模型生成相结合的技术，通过先检索外部知识库中的相关文档作为参考，再让大模型基于这些资料生成回答，从而提升准确性和时效性。
直接问大模型，但是大模型也不知道，因为大模型并不知道你公司的内部产品信息。
哎，如果发送问题时候，把产品使用手册一起发给大模型不就好了？
但是如果产品手册太大，会带来问题：
此时RAG就登场了。RAG能将产品手册分成多个片段
片段中只有某几个和用户真正的问题相关，那么把这几个片段和用户问题一起发给大模型，
这样产品手册太大，大模型无法处理的问题，就能迎刃而解。
准备(提问前)
分片
索引
回答 (提问后)
召回
重排
生成
阿里奇门接口联调全流程详解：从沙箱自测到正式上线的保姆级攻略
本文详细解析阿里奇门接口联调的全流程，从沙箱自测到正式上线的关键步骤与避坑指南。涵盖环境配置、业务场景测试、跨团队协作、灰度发布及生产运维监控，帮助开发者高效完成API对接，确保供应链协同系统的稳定运行。特别适合首次接触奇门对接的技术负责人参考。
RAG_demo01(环境搭建与基础RAG流水线)
本文演示了RAG（检索增强生成）系统的环境搭建与基础实现流程。首先创建Python 3.10隔离环境并安装核心库（LangChain、Qdrant等），然后构建本地知识库：通过PDF加载器读取文档，使用文本分割器处理，并选用BAAI/bge-small-en-v1.5模型进行向量化，存储到Qdrant向量数据库。接着配置DeepSeek-R1生成模型，最后组装RAG查询链，实现三次典型查询（关于RAG减少幻觉、基础RAG缺陷和高级RAG技术）。整个过程展示了从环境准备到完整RAG流水线的搭建方法。
深度学习之常用算子介绍
打开 onnx 模型图，可以看到它是一个有向无环图。除了 Input、Output ，其他都是算子（是操作，而不是节点）在ONNX（Open Neural Network Exchange）模型中，除了输入和输出，其他都是算子（Operations）。算子是表示神经网络模型中的不同操作或层的元素。一个ONNX模型由一系列算子组成，通过连接这些算子来定义模型的计算流程。
EVA-01实战教程：为EVA-01添加RAG模块，接入企业私有文档库增强推理
本文介绍了如何在星图GPU平台上自动化部署🟣 EVA-01: VISUAL NEURAL SYNC SYSTEM镜像，并为其集成RAG模块。通过该方案，用户可快速构建一个能结合企业私有文档库进行推理的智能视觉分析系统，典型应用场景包括分析内部技术图纸并依据产品手册进行合规性检查。
电路抗干扰原理及应用（1）
电路抗干扰原理——介绍干扰源、干扰途径、抗干扰技术（接地技术）
老N卡福音：GT1030/GTX1050在MacOS Ventura 13.2上的完整驱动指南（附实测截图）
本文详细介绍了如何在MacOS Ventura 13.2上通过OCLP工具链驱动GT1030和GTX1050等老款NVIDIA显卡，涵盖硬件兼容性验证、BIOS设置、OpenCore配置、驱动安装及性能测试全流程。实测数据显示，这些基于Pascal和Maxwell架构的显卡在当代MacOS系统中仍能发挥实用价值，为老N卡用户提供完整解决方案。
EVA-01实战教程：EVA-01与RAG结合构建垂直领域视觉知识引擎（如航天工程）
本文介绍了如何在星图GPU平台上自动化部署🟣 EVA-01: VISUAL NEURAL SYNC SYSTEM镜像，以构建垂直领域的视觉知识引擎。通过将EVA-01强大的多模态视觉理解能力与RAG技术结合，用户可快速搭建一个能“看懂”并理解专业图像（如航天工程图纸）的智能问答系统，实现从视觉感知到专业知识决策的自动化流程。
CSP-J 入门级第一轮认证 2025 详细解析
2025年CSP-J入门级第一轮认证模拟赛提供10套免费试题，含选择题与解析。选择题涉及计算机科学基础，如32位无符号整数最大值计算（约42.9亿，选A）、C++位运算（255&254=254，选B）、递归函数分析（calc(5)=6，选B）、哈夫曼树构造（带权路径长度186，选B）等。其他题目涵盖图论（有向图边数等于入度/出度和，选B）、组合数学（120种选法，选C）、布尔逻辑（选项C不恒等）、模运算周期性（f[2025]=6，选D）、C++字符串特性（支持string+char，选B）及引用传参
EVA-01实战教程：EVA-01与LangChain集成，构建视觉增强型RAG知识检索系统
本文介绍了如何在星图GPU平台上自动化部署🟣 EVA-01: VISUAL NEURAL SYNC SYSTEM镜像，以构建视觉增强型RAG知识检索系统。通过将EVA-01的视觉理解能力与LangChain的检索框架集成，该系统能够分析用户上传的图片（如技术架构图），并自动从私有知识库中检索相关信息，实现图文结合的智能问答，显著提升技术文档查阅与分析的效率。
《FreeRTOS 入门与实战》第2章：开发环境搭建（实战）
STM32CubeIDE工程创建与FreeRTOS移植J-Link调试环境搭建SystemView可视化跟踪配置。
【MicroPython编程-ESP32篇:设备驱动】-BNO08X系列传感器驱动
BNO08X 系列（BNO085/BNO086）是一款系统级封装 (SiP)，集成了三轴加速度计、三轴陀螺仪、磁力计以及运行 CEVA SH-2 固件的 32 位 ARM® Cortex™-M0+ 微控制器。SH-2 包含 MotionEngine™ 软件，该软件提供复杂的信号处理算法来处理传感器数据，并提供精确的实时 3D 姿态、航向、校准加速度和校准角速度，以及更高级的上下文输出。BNO08X 集成在一个 28 引脚 LGA 封装中，尺寸为 3.8mm x 5.2mm x 1.1mm。它兼容 Andro
《Advanced RAG》-01-朴素RAG存在的问题
文章阐述了RAG技术如何通过整合外部知识源来提升大型语言模型（LLM）的性能，使其能够产生更精确、上下文感知的回应，并减少幻觉现象。自2023年以来，RAG已成为基于LLM的系统中最流行的架构，许多产品依赖此技术。然而，RAG在信息检索、上下文整合等方面存在问题。
JS逆向-Protobuf逆向解析
目录一、什么是Protobuf二、Protobuf环境配置三、Protobuf实例序列化与反序列化四、逆向解析 Protobuf案例1、python序列化2、python反序列化 一、什么是Protobuf 1、protocol buffers介绍：是一种语言无关、平台无关、可扩展的序列化结构数据的方法。严格说不算是加密，只能是叫序列化结构数据，让可读变为疑似的乱码，那反序列化即让疑似的乱码变为可读 2、protobuf使用流程的前提是有一个.proto文件，对逆向而言就是还原.proto文件，选择
【RAG全栈】Task01：解锁RAG
RAG技术介绍与实现
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
【RAG全栈课程】Task01：解锁RAG
摘要：本文全面介绍了检索增强生成(RAG)技术，包括其核心原理、应用优势和实践方法。RAG通过结合大语言模型与外部知识检索机制，有效解决了模型"幻觉"问题，提升了回答准确性和时效性。文章详细阐述了RAG的技术架构、开发框架(LangChain、LlamaIndex)和向量数据库选择(Milvus、FAISS等)，并提供了从环境配置到实际构建RAG系统的完整教程。RAG技术已在企业知识问答、智能客服等领域广泛应用，成为提升大模型可靠性的重要解决方案。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
RAG由浅入深01
摘要：RAG（检索增强生成）通过结合检索与生成技术，有效解决大模型在私有知识领域的幻觉问题。其核心流程包括：检索相关文档、增强提示词、生成可靠回答。三大优势为：提升回答准确性、支持动态知识更新、保障数据隐私。以员工手册查询为例，RAG能精准返回私有信息（如“年假10天”），而非通用回答。代码演示显示，虽然RAG耗时略增，但实现了从“不可用”到“可用”的关键突破。该技术为构建专业AI应用提供了高效低成本的解决方案。
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
RAG-01基础概念
RAG（检索增强生成）是一种结合信息检索与文本生成的AI技术，通过访问外部知识库解决传统大语言模型的知识局限性和幻觉问题。其核心流程包括文档预处理、向量化、相似度检索和上下文生成，相比传统方法具有实时更新、减少幻觉、领域适应性强等优势。RAG广泛应用于企业知识管理、教育培训和内容创作等领域，但也面临检索精度、生成质量和计算效率等技术挑战。未来发展趋势包括多模态处理、自适应学习和垂直领域深化等方向，为智能问答系统带来更广阔的应用前景。
RAG01-RAG08课程笔记
LangChain 是 LLM 业务开发的集大成 Python 库，提供全套开箱即用 API。覆盖能力：提示词工程、模型调用、会话记忆、文档处理、链式执行、Agent 智能体。学习路径：后续 RAG 开发全部基于 LangChain 框架完成。RAG（Retrieval‑Augmented Generation）检索增强生成RAG = 检索技术 + LLM 提示含义：从外部数据源检索相关信息，补充给大模型，修正、完善模型回答。向量：文本语义转为固定长度数字数组，计算机用来做语义比对。
【RAG 系统实战课】01 用RAG改造传统MIS系统
比较特殊的是，从 ChatGPT（GPT3.5）开始，OpenAI 新增了一个角色——system（系统的英文），这个角色有助于设置 AI 的行为。这时可以给大模型一个示例，让大模型参考输出。第一，系统消息是可选的。大模型对话模式返回的结果通常是人类语言，我们可以通过一些特定的 prompt 让模型返回 JSON 格式的结果。如果模型输出不够理想，可以通过修改提示词（更明确的需求描述、更多的示例等）、增加重试策略等方式来优化。无论要返回什么类型的数据，可以都让模型以 JSON 格式的方式返回。
RAG学习记录01
检索增强生成，通俗理解就是：让AI先查资料后回答。这个资料在哪里？这个资料就来自于RAG知识库，用户自己维护的文档集合。为什要先查资料？因为现有的LLM回答用户输入的问题是根据已有的训练数据 和 概率预测得出来的，它获取不了最新的资料内容 、 用户具有独特性的一些规则内容、在专业领域会有专业性不足 等等问题。先查资料后回答：就可以有效解决LLM的回答的滞后性，专业性不足等问题。
RAG 01：讨论未经优化的 RAG 系统存在的问题与挑战
检索增强生成（Retrieval Augmented Generation，RAG）是通过整合来自外部知识源的额外信息来改进大语言模型（Large Language Models，LLMs）应用能力的一种技术。这种技术能够帮助 LLMs 产生更精确和更能感知上下文的回复，同时也能减轻幻觉现象。
Advanced RAG 01：讨论未经优化的 RAG 系统存在的问题与挑战
自 2023 年以来，RAG 已成为基于 LLM 的人工智能系统中应用最为广泛的架构之一。由于诸多产品的关键功能严重依赖RAG，优化其性能、提高检索效率和准确性迫在眉睫，成为当前 RAG 相关研究的核心问题。 我们今天为大家带来的这篇文章指出，Naive RAG 在编制索引、检索和内容生成这三个核心步骤中都存在诸多问题：a) 编制索引时，信息提取不完整、分块策略简单、索引结构未优化、嵌入模型表示能力较弱；b) 检索时，检索到的信息与用户向系统提出的请求相关性不高、召回率低、对不准确的用户请求无法处理、算法
简单 RAG 入门（01）
本文介绍了RAG（检索增强生成）和AI Agent的基本概念及应用。RAG通过检索外部知识库来增强大模型的回答能力，能解决时效性和幻觉问题，比微调更节省成本。AI Agent则是能执行具体任务的智能助手，具备规划、记忆、工具使用和执行能力。文章提供了基于LlamaIndex（使用千问大模型）和LangChain（使用DeepSeek大模型）的RAG实现示例，包括环境准备、API配置、文档加载、向量索引构建和查询流程。代码示例展示了如何加载文档、创建向量索引，并通过提问获取基于检索内容的回答。
RAG-01解决的LLM问题
检索增强生成(Retrieval-Augmented Generation, RAG)是一种将信息检索与生成式AI相结合的技术架构。它通过从外部知识库中检索相关信息，然后将这些信息作为上下文提供给大型语言模型(LLM)，从而显著改善了LLM在多个关键领域的表现。本文档将详细分析RAG如何解决LLM面临的五大核心问题：长尾知识覆盖不足、幻觉现象、私有数据利用、数据新鲜度和可解释性。随着技术的不断发展和完善，RAG将在更多领域发挥重要作用，为AI应用提供更可靠、更准确、更透明的解决方案。
AI- RAG笔记01 - Rag介绍
RAG的全称是，中文通常叫“检索增强生成”。参数化知识非参数化知识。
01-RAG开发-LangChain
RAG是一种检索增强生成技术，利用检索外部文档提升大模型的生成结果质量。RAG = 检索技术 + LLM提示。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
417
扫一扫
