大模型RAG系统的成长之路 RAG系统的四层天梯
第一章，为什么要给大模型喂&，quot，额外营养&，quot，想象一下，你有一个超级智能的AI助手，它几乎无所不知，但当你问它&，quot，今天的股市行情如何，&，quot，或者&am......
赋予大型语言模型更强大的知识力量 RAG 到图 RAG 从传统
大型语言模型，LLMs，在固定数据集上进行训练，其知识在最后一次训练更新时就已固定，ChatGPT的常规用户可能已经注意到其众所周知的局限性，&，ldquo，训练数据截止到2021年9月&，rdquo，这种局限性......
RAG高级优化 一文看尽Query的转换之路
准确地找到与用户查询最相关的信息是RAG系统成功的关键，如何帮助检索系统提升召回的效果是RAG系统研究的热门方向，之前的文章介绍了在分块阶段的优化方法，RAG高级优化，基于问题生成的文档检索增强，本文将介绍三种query理解的方法，以增强......
RAG！ 再到终章Agentic 从RAG启蒙到高级RAG之36技 RAG全景图
检索增强生成，RAG，RetrievalAugmentedGeneration，技术可追溯到2020年Facebook发表的一篇论文，&，ldquo，RetrievalAugmentedGenerationforKnowled......
知识增强生成才是王道 提升朴素RAG一倍性能 KAG RAG已经不够了
1.为什么要提出KAG框架检索增强生成，RAG，技术得到广泛运用，利用外部检索系统，显著提升大语言模型的时效性，并大幅减少模型幻觉，为了进一步提升RAG在多跳任务、跨段落任务的性能，作者引入了知识图谱，包括GraphRAG、DALK、SUG......
Adaptive
图片框架自适应RAG通过判断问题的复杂性来自动选择使用哪种RAG策略，作者将问题划分为三类，如上图的C部分，•开放领域问答，这类任务通常涉及两个模块，一个检索器和一个阅读器，随着具有千亿参数的超强推理能力的LLMs的出现，LLMs和检索器之......
再次提升RAG性能 两种高效的Rerank模型实践指南
在高级RAG应用中，检索后处理环节至关重要，Rerank技术通过重新排序检索出的文档块，确保与用户问题更相关的信息排在前面，从而提高语言模型生成答案的质量，在这个环节中，可以做一些诸如相似度过滤、关键词过滤、chunk内容替换等处理，其中，......
提升RAG系统性能10条策略建议
在大型语言模型，LLM，时代，检索增强生成，RetrievalAugmentedGeneration，RAG，系统通过结合检索与生成技术，显著提升了LLM的回复内容生成质量，然而，优化RAG系统性能是一个复杂的过程，涉及到数据处理、模型选择......
RAPTOR 检索树再次进一步提升RAG性能的设计思路
大多数现有方法仅从检索语料库中检索短的连续块，限制了对整个文档上下文的整体理解，RAPTOR，RecursiveAbstractiveProcessingforTreeOrganizedRetrieval，引入了一种新方法，即递归嵌入、聚类......
阿里RAG新框架R4 增强检索器
大型语言模型，LLMs，在生成文本时可能会产生错误信息，即&，ldquo，幻觉&，rdquo，问题，尽管检索增强的LLMs通过检索外部数据来减少这种幻觉，但现有的方法通常不考虑检索文档与LLMs之间的细粒度结构语......