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
1k累计阅读
1k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
知识库经常遇到一个问题会在一个文件的多处或者多个文件出现，这时候如果只回答一个结果就欠佳，最理想的做法是模仿推荐功能，把合适的多个答案及其出处汇总给用户。
如图，一个接口文档里面提到多处“http请求URL”：
使用上面接口文档embedding之后，如果不对RetrievalQA做修改，默认是返回4个结果
对RetrievalQA做修改的话，可以返回更多结果
代码也好简单，重点是search_kwargs={"k":10} 这部分
qa_RTCS = RetrievalQA.from_chain_type(llm=openAiLLm,chain_type="stuff",
retriever=db_RTCS.as_retriever(search_kwargs={"k":10}),#k表示 推荐结果条数，越大推荐越全面
return_source_documents = True) #如果需要打印上下文才使用
大模型应用开发框架 LangChain 学习笔记
一时间大模型如百花齐放，百鸟争鸣，并在向各个行业领域渗透，让人感觉通用人工智能仿佛就在眼前。基于大模型开发的应用和产品也如雨后春笋，让人目不暇接，每天都有很多新奇的应用和产品问世，有的可以充当你的朋友配你聊天解闷，有的可以充当你的老师帮你学习答疑，有的可以帮你写文章编故事，有的可以帮你写代码改 BUG，大模型的崛起正影响着我们生活中的方方面面。正是在这样的背景下，为了方便和统一基于大模型的应用开发，一批大模型应用开发框架横空出世，LangChain 就是其中最流行的一个。正如前文所述，LangChain 是
使用langchain与你自己的数据对话(四)：问答(question answering)
今天我们介绍了如何通过答链RetrievalQA，来检索向量数据库并回答用户的问题。其中我们介绍了几种RetrievalQA检索向量数据库的工作方式，也就是chain type方式，其实默认方式是stuff，除此之外还有map_reduce，refine, map_rerank等几种方式，它们都有各自的优缺点。同时我们还介绍了通过使用prompt模板，可以让LLM返回格式化的结果。希望今天的内容对大家学习langchain有所帮助!
基于LangChain与ChromaDB构建Web版RAG智能问答系统实战
检索增强生成（RAG）是一种将信息检索与大型语言模型（LLM）生成能力相结合的技术范式。其核心原理在于，通过将外部知识库（如文档、网页）进行向量化编码并存储于向量数据库中，系统能够根据用户查询实时检索出最相关的信息片段，并将其作为上下文提供给LLM，从而生成精准、有据可依的答案。这项技术的核心价值在于有效克服了传统LLM的静态知识局限与“幻觉”问题，显著提升了回答的时效性与事实准确性。在应用场景上，RAG技术广泛应用于智能客服、企业知识库问答、个性化学习助手以及**基于Web网页的智能信息提取**等领域。本
索引构造与信息检索：让 ChatGPT 成为 Selenium 问答助手
让chatgpt给我写个总结。这篇文章提出了使用生成式AI ChatGPT和LangChain库训练一个Selenium知识问答机器人的想法。机器人需要灌入最新的Selenium知识并使用向量化存储和检索来搜索相关材料以回答用户的问题。文章介绍了实现流程，包括爬取Selenium数据、向量化存储和检索、信息检索和生成内容。这项技术非常适合构建专有领域的知识库，比如法律咨询，医疗咨询等。另外配合一些代码切片的库还可以实现代码生成功能。
LangChain框架解析：从RAG到Agent的大模型应用开发实战
大语言模型（LLM）作为当前人工智能的核心技术，其API调用虽简单，但构建具备记忆、检索与多步推理能力的复杂应用却面临挑战。这需要开发者编写大量‘胶水代码’来串联对话历史管理、私有知识库查询和工具调用等模块，开发效率低下。LangChain应运而生，它是一个开源框架，通过提供模型I/O、检索、链、代理、内存和回调六大标准化组件，将通用能力模块化。其设计遵循‘组合优于继承’的哲学，像乐高积木一样，让开发者能灵活组装这些组件，快速构建智能知识库问答（RAG）、自动化流程助手（Agent）等应用，从而让开发者更专
AI工程落地指南：从幻觉治理到PEFT微调的实战路径
大语言模型（LLM）作为当前人工智能的核心范式，其本质是统计模式压缩器而非知识库，这直接导致‘幻觉’成为架构性必然而非临时缺陷。理解这一原理，是构建可信AI系统的前提——它推动技术选型从追求参数规模转向设计事实验证层、检索增强生成（RAG）与可控提示工程。参数高效微调（PEFT）等关键技术，使中小团队无需A100集群即可完成垂直领域适配，显著降低工程落地门槛。在医疗影像合成、客服工单处理、AI绘画角色一致性等真实场景中，这些方法已验证可将错误率降至0.3%、响应时间缩短至11分钟、角色复现达标率提升至87%
医疗文档智能问答系统：基于LangChain与ChatGPT的RAG实践
医疗文档是典型的非结构化敏感数据，其核心挑战在于信息密度高、术语专业、格式多样且隐私要求严。要实现‘用自然语言查病历’，需突破大模型上下文限制、保障本地数据主权、并提升领域回答准确性——这正是检索增强生成（RAG）技术的价值所在。LangChain作为RAG工程化框架，通过文档分块、向量嵌入、语义检索与提示编排四大能力，将PDF、扫描件等原始材料转化为可查询的知识库；而ChatGPT则承担精准生成角色，在严格约束下输出可溯源、带单位、不臆测的临床级回答。该方案已广泛应用于慢病管理、术后康复与家庭健康档案场景
从零构建开源AI助手：架构设计、核心功能实现与部署优化全攻略
大语言模型（LLM）作为当前人工智能的核心技术，通过其强大的自然语言理解和生成能力，正在深刻改变人机交互方式。其原理基于Transformer架构，通过海量数据预训练和指令微调，使其能够完成对话、推理、创作等多种任务。这一技术的核心价值在于将通用智能能力平民化，赋能开发者构建个性化、私有化的智能应用。在应用场景上，从代码生成、文档问答到智能体（Agent）驱动的自动化工作流，LLM正被广泛集成。本文聚焦于如何利用开源生态，如LangChain框架和Ollama工具，搭建一个功能全面、可私有化部署的AI助手，
六步SOP实战：构建品牌专属AI知识库，让ChatGPT准确引用你的信息
在人工智能时代，如何确保生成式AI（如ChatGPT）能准确引用企业信息，而非依赖过时或错误数据，成为品牌数字化管理的新挑战。其核心原理在于通过检索增强生成（RAG）技术，将品牌知识库与大语言模型（LLM）能力结合。RAG通过将非结构化文档向量化并存储，在用户提问时，先检索最相关的知识片段，再交由LLM生成基于上下文的精准回答，从而极大提升了信息引用的可控性与准确性。这一技术对于技术布道、产品运营和开源项目维护具有重要价值，能有效解决AI信息滞后、错误或缺失的问题。本文聚焦于一套经过四次复测验证的标准化操作
qmt量化交易策略小白学习笔记第67期【qmt编程之获取ETF申赎清单】
qmt编程之获取ETF申赎清单
dToF直方图之美_deadtime死区时间
IMX459的死区时间可以在6ns，这个时间是什么级别，车载激光雷达激光器的光脉宽一般都在4ns以上，也就是这个时间贴近去SPAD的死区时间，这就导致了pile up会非常弱，不会有太多数量的光子计数堆积，加上某些SPAD设计，对TDC有一些更深入的考量，所以不需要去校正pile up算法。Sensor层面决定了pile up的复杂程度，如果一个dToF的SPAD一致性非常好，那么pile up校正可以简单到极致，也就是一句代码的事，比如IMX611，优秀到不需要后端去考虑校正pile up。
基于RAG的AI搜索引擎：解决开发者信息检索的精准与时效难题
在信息爆炸的时代，开发者面临的核心挑战是如何从海量技术资料中快速获取精准、最新的答案。传统搜索引擎返回链接列表，需要人工筛选；而大语言模型虽能生成连贯回答，却受限于静态知识库，存在信息过时和“幻觉”问题。检索增强生成（RAG）技术应运而生，它通过结合语义检索与生成模型，让AI能够实时查询外部知识源并生成有据可查的答案。RAG的核心原理是将用户查询与向量化的知识片段进行匹配，再将相关上下文提供给大模型生成最终回答，从而确保信息的准确性和时效性。这项技术为开发者构建智能问答系统、文档助手等场景提供了坚实基础，能
华为OD机试双机位C卷:补种未成活胡杨 (C/C++/Py/Java/Js/Go)
华为OD机试双机位C卷 补种未成活胡杨，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解。华为OD机试 - 补种未成活胡杨。
基于OpenAI Codex与pgvector构建私有化智能知识库实战指南
检索增强生成（RAG）是一种结合信息检索与文本生成的技术范式，其核心原理是通过向量化表示将非结构化文本转换为可计算的语义空间，再利用相似度检索从知识库中定位相关信息，最后交由大语言模型生成精准回答。该技术能有效缓解大模型的幻觉问题，提升回答的事实性与可追溯性，在智能客服、企业知识管理、专业领域咨询等场景具有重要价值。本文聚焦于RAG技术的工程化落地，详细阐述了如何利用OpenAI的Codex模型作为生成引擎，结合pgvector向量数据库构建可私有化部署的问答系统。其中，pgvector作为PostgreS
【华为OD机试】真题A卷-Linux发行版的数量（Python）
【华为OD机试】真题A卷-Linux发行版的数量（Python）：Linux操作系统有多个发行版，distrowatch.com提供了各个发行版的资料。这些发行版互相存在关联，例如Ubuntu基于Debian开发，而Mint又基于Ubuntu开发，那么我们认为Mint同Debian也存在关联。 发行版集是一个或多个相关存在关联的操作系统发行版，集合内不包含没有关联的发行版。给你一个nxn的矩阵isConnected，其中isConnected[i][i]=1表示第i个发行版和第j个发行版直接
Java高频面试基础问题与知识点整理
Java高频面试知识点总结：覆盖高频基础知识考点+高频集合知识点深入分析+高频多线程与并发编程面试题汇总+其他扩展考察等。
LLM-Cookbook大模型实战手册：从Prompt Engineering到RAG开发全流程
Prompt Engineering（提示工程）是大模型应用开发的基础技术，通过精心设计的指令引导模型生成预期输出。其核心原理是基于大语言模型的上下文理解能力，通过角色设定、任务分解等技巧提升交互效果。在工程实践中，结合RAG（检索增强生成）技术可以显著增强模型的事实准确性，通过向量化检索相关文档来约束生成内容。这种技术组合特别适用于智能客服、文档问答等需要准确信息的应用场景。LLM-Cookbook项目系统化整理了这些关键技术，为开发者提供从基础Prompt构造到复杂RAG系统搭建的完整学习路径。
（十二）深入理解蓝牙BLE之“移植Bluez 5.18源码到嵌入式平台”
在某嵌入式平台进行蓝牙开发，发现上面居然没有btmon，hciattach，hcitool等蓝牙调试工具，无奈之下，只好移植bluez协议栈到目标嵌入式平台，建议移植5.18版本（最新的5.54版本居然hcitool等工具不是默认编译的，需要修改Makefile才可以）。 看到很多讲解移植过程的文章都是需要积分的，觉得写一篇免积分的文章还是有些意义的，欢迎同行来交流。 移植环境：Linux ubuntu 目标平台：sigmastar 星宸科技 配置交叉编译工具链：export PATH=$PATH:
AI大模型应用开发实战：从Prompt工程到RAG系统构建
如果你是一名开发者，最近一定被各种AI大模型的消息刷屏。从ChatGPT到Claude，从文心一言到通义千问，模型能力日新月异。但一个更现实的问题摆在面前： 这些强大的模型，如何真正变成你手里能解决实际业务问题的应用？ 是继续在网页聊天框里手动提问，还是写几百行代码从头封装API？对于大多数开发者来说，从“知道大模型很牛”到“做出一个可用的AI应用”，中间隔着一道巨大的工程化鸿沟。 这正是“AI大模型应用开发”成为当下最热门技能的原因。它不是一个飘在空中的概念，而是一套将大模型能力产品化、服务化的具体工程方
Vue - 简约大气 404 页面
效果图 实现代码 复制即可。 <template> <div> <div class="error"> <!-- 图片可保存到本地 --> <img src="https://img-blog.csdnimg.cn/20210715111039922.png"> <p>抱歉！你访问的页面不存在或已删除 :( </p> <span class="back" @click="go(
【AI大模型应用开发实战】大型语言模型评估指南白皮书（LLM Eval）
近年来，大型语言模型（LLM）在自然语言处理领域取得了重大进展，例如 GPT-3 和 Chat-GPT。这些模型经过大型数据集的训练，在文本相关任务中表现出卓越的能力，甚至超越了人类。本文将简要介绍如何验证 LLMs 性能的评估指标。自然语言处理（NLP）是人工智能的一个领域，涉及计算机和人类语言之间的交互。NLP 的基本任务之一是语言建模 (LM)，它涉及构建统计模型来分析和生成自然语言。LM 已成为推进机器语言智能的关键方法，使机器能够执行机器翻译、情感分析和对话系统等任务。
基于GPT-4o构建智能文档与图像分析系统：从API调用到RAG架构实战
多模态大模型正深刻改变着人机交互与信息处理的方式。其核心原理在于通过统一的神经网络架构，实现对文本、图像、音频等多种模态信息的联合理解与生成。这一技术突破为构建智能应用带来了前所未有的价值，使得机器能够像人类一样，综合多种信息源进行复杂推理和决策。在工程实践中，开发者可以基于大模型API，快速构建具备文档解析、视觉问答等能力的智能系统。其中，检索增强生成（RAG）技术是关键，它通过将外部知识库向量化并与大模型结合，有效解决了模型知识更新与上下文长度限制的难题。本文聚焦于如何利用GPT-4o这一先进的多模态模
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
基于RAG-GPT与Ollama构建本地化智能客服系统：从原理到实战部署
检索增强生成（RAG）技术通过将外部知识库与大语言模型（LLM）相结合，解决了传统模型无法访问最新、私有信息的问题。其核心原理是将文档向量化存储，在用户提问时进行语义检索，并将相关上下文与问题一同输入模型生成精准答案。这项技术的核心价值在于提升AI回答的准确性、可追溯性和可控性，特别适用于企业知识库问答、智能客服等需要基于特定文档回答的场景。Ollama作为本地大模型运行框架，提供了便捷的模型管理和OpenAI兼容API，使得RAG系统能够完全在本地部署，保障数据安全。本文以构建智能客服系统为例，详细介绍了
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
AI大模型实战指南：从原理到本地部署与应用开发
Transformer架构和注意力机制是当前大语言模型的核心基础，它们通过并行处理全局上下文信息，实现了高效的文本理解和生成能力。这一技术突破使得模型能够进行复杂的逻辑推理和知识整合，为自然语言处理领域带来了革命性进展。在工程实践中，开发者可以通过预训练与微调相结合的方式，让通用基座模型快速适配特定领域任务，极大降低了AI应用开发门槛。基于开源生态，利用Ollama等工具进行本地私有化部署，结合RAG检索增强生成技术，能够构建安全、可控的企业级知识库助手，有效解决数据隐私和定制化需求。
大模型内部运转机制全解析：从Transformer到RLHF的AI对话原理
Transformer架构作为现代大语言模型的核心基础，通过自注意力机制实现了对文本序列的并行处理和长距离依赖捕捉。其技术价值在于为海量数据的预训练提供了高效的神经网络结构，使得模型能够从互联网规模的文本中学习语言规律和世界知识。在工程实践中，基于Transformer的预训练模型通过监督微调（SFT）和基于人类反馈的强化学习（RLHF）等对齐技术，逐步塑造出符合人类对话习惯的智能体。这些技术共同构成了当前对话式AI的应用基础，例如在客服、编程助手和内容创作等场景中广泛部署的ChatGPT类模型。本文以Tr
基于LangChain构建企业级RAG知识库与智能体实战指南
检索增强生成（RAG）是一种将外部知识库与大型语言模型（LLM）相结合的技术范式，旨在解决LLM在处理动态、私有知识时产生的“幻觉”或信息滞后问题。其核心原理在于，通过将文档向量化并存储于向量数据库中，在用户提问时进行语义检索，仅将最相关的上下文片段注入给LLM，从而生成精准、可溯源的答案。这项技术的核心价值在于，它为企业提供了一种成本可控、更新便捷且准确性高的AI知识库落地方案，避免了微调的巨大开销和长上下文模型的高昂成本。典型的应用场景包括企业内部文档问答、代码库查询和私有知识库构建。本文将以当前主流的
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3258
扫一扫
