surfirst的博客

在讨论了 RAG 的 chunking、embedding、评估指标、评估流程等技术后，我们进一步探讨 RAG 系统的实际应用。在实际项目中，RAG（Retrieval-Augmented Generation）系统的检索阶段往往是影响生成效果的核心环节。RAG 系统的工作流程包括数据摄取（Data Ingestion）和数据查询（Data Querying），其中检索是至关重要的一步。本文介绍了在一个案例中，团队如何通过2个关键技巧把 RAG 检索准确率从 50% 提高到 95 %

在构建智能问答系统的过程中，传统的RAG（Retrieval-Augmented Generation）方法在回答简单问题时表现出色，但随着需求的提升，RAG的局限性也愈发明显。本文将分析传统RAG的局限性，探讨如何利用智能体应对这些问题，并总结为什么增加智能体层可以提升RAG系统的能力。大模型

向量搜索和知识图谱是两项用于改善搜索体验的重要技术。结合这两种技术形成的Graph RAG可以进一步提高搜索的准确性和上下文相关性。本文将深入对比向量搜索和知识图谱，让读者快速了解这两种技术的原理及优缺点，以便于将来的技术决策。

传统的基于向量的RAG（Retrieval Augmented Generation）技术在面对海量数据时，常常面临着与互联网早期AltaVista现象相似的问题，即搜索结果准确性低，用户难以快速找到所需信息。本文旨在探讨一种新的基于知识图谱的RAG技术，它被认为是提升智能搜索准确度的关键方向之一。