文章列表-AI魔法学院

文章列表

RAG与Long-Context之争—没必要争

写在前面随着大模型可以支持的上下文(Context)长度越来越长，网上（好几个群里都在聊这个话题，也来聊几句）竟然出现了RAG与Long-Context之争，是真没必要。。。

RAG Long-Context 大模型

白话Embedding：普通人都能懂的科普文

除了距离，我们在高维向量空间中使用的另一个度量是两个向量之间夹角的余弦。

Embedding 向量

[开源]面向中小团队的轻量化知识管理应用，构建知识库和知识社区

一、开源项目简介 “知了”是自邮之翼团队研发的一款面向中小型团队的轻量化知识管理应用。

大模型

检索增强生成(RAG)有什么好的优化方案？

二、RAG架构优化 2.1 Vector+KG RAG 经典的RAG架构中，context增强只用到了向量数据库。

RAG 检索增强

LangChain: LLM 应用聚焦的两大方向，RAG 和 Agents

Generation，生成，而 Retrieval-augmented 就是指除了 llm 本身已经学到的知识之外，通过外挂其他数据源的方式来增强 LLM 的能力，这其中就包括了外部向量数据库、外部知识图谱

大模型

大模型检索增强生成(RAG)高质量报告

质量不错，推荐阅读！

RAG 大模型检索

微信向量检索分析一体化数仓探索：OLAP For Embedding

我们发现社区中“向量搜索”的兴趣显著增加;具体来说，大家感兴趣了解的是：何时需要专门向量数据库，何时不需要？

OLAP For Embedding 一体化数仓

RAG检索增强技术在知识库智能检索场景下的应用实践

与传统的大模型训练相比，RAG（Retrieval-Augmented Generation）方法则不需要重新训练整个大模型，而是通过外挂知识库来完成特定任务。

知识库 RAG检索增强

LLM应用架构之检索增强（RAG）的缘起与架构介绍

从架构图上可以看到，除了LLM，编排服务外，向量数据库十分重要，它不仅保存了从领域知识库中导入的被embedding的领域知识外，还存储着用户与大模型对话的信息，被称作memory。

LLM

WeChatpy：Python中优秀的微信开发库，与微信官方接口交互的工具

本文将介绍WeChatpy这个优秀的Python微信开发库，让你了解它的特点和如何使用。

WeChatpy 开发库

AI Agent的数字化革命：超越文本，走向自主决策与交互

AI Agent一直是AI圈的热门话题，也是OpenAI 明确表示要发力的下一个方向。

生成式AI

检索增强生成 (RAG):What, Why and How?

如果您一直在向量存储或其他数据库中查找数据，并在生成输出时将相关信息作为上下文传递给 LLM，那么您已经在进行检索增强生成了。

检索增强大模型

RAG 领域的新宠：为什么 AI 圈都在谈论 Jina ColBERT？

在 RAG (检索增强生成)领域，选对向量模型至关重要，它基本就决定了 RAG 系统的“天花板”，也因此，向量模型的选择总是业界的热门讨论话题。

rag 大模型

检索增强生成(RAG)：LLM企业级应用落地的挑战与思考

RAG的定义 RAG是指结合检索系统找到相关上下文，与大型语言模型生成回答的方法。

大语言模型 RAG检索增强

Elasticsearch Relevance Engine---为AI变革提供高级搜索能力[ES向量搜索、常用配置参数]

通过矢量数据库提高效率 Elasticsearch Relevance Engine 在设计上包含了一个具有弹性的生产级矢量数据库。

大模型 AI编程

<123 4 5 6 7 8 9 10 ...>

汇聚AI资讯，网罗AI文档，详解AI工具！

关于我们用户协议隐私条款商务合作：skillupvip

© 2023-2025 AI魔法学院

京ICP备20027199号-1