文章列表-AI魔法学院

文章列表

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 检索增强生成

忘掉 RAG，未来是 RAG-Fusion！搜索的下一个前沿：检索增强生成遇上倒数排名融合和生成查询

这一系统利用向量搜索与生成性人工智能相结合，基于可信数据直接产生答案，正在彻底改变搜索和信息检索领域。

RAG-Fusion 检索增强

面向知识图谱的大模型应用

为了应对这一挑战，RAG 将 LLM 的优势与可扩展的外部知识源(如知识图谱)检索结合了起来，不再尝试静态地编码模型中的所有信息，而是允许根据需要动态地从知识图谱中查询必要的上下文。

知识图谱大模型

【中华民族史上最强智库】完整提示词

AI模型：GPT4（正常模式或联网搜索模式）注意：在与本系统进行互动中，可以进行以下操作（在互动过程中系统可能也会对此有提示） /next：每完成一步工作，只有用户输入 ‘/next’ ,系统才能开始下一步工作

提示词大模型

RAG 修炼手册｜一文讲透 RAG 背后的技术

今天我们继续剖析 RAG，将为大家详细介绍 RAG 背后的例如 Embedding、Transformer、BERT、LLM 等技术的发展历程和基本原理，以及它们是如何应用的。

RAG Embedding

大模型检索增强生成RAG的优化

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 检索增强大模型

AutoGPT与LLM Agent解析

最简单的方法就是直接把这些对话记录，外部信息等以文本形式保存到文件或者数据库系统里，后续在与模型进行交互时，可以按需去获取这些外部存储中的信息。

大模型

大语言模型应用中的文本分块策略

当我们使用LLM嵌入内容时，chunking是一项帮助优化向量数据库返回内容相关性的基本技术。

开源模型

国内厂商语音识别与Whisper评测：现状与概况对比

本文旨在通过对国内几家主要厂商的语音识别技术与 Whisper 技术进行评测和对比，以期更全面地了解国内语音识别技术的现状与概况。

语音识别 Faster-Whisper

搞了一个Dify开源知识库

; 初衷：也是在机缘巧合下，感谢MAX和众多大佬的呼声支持下，临时组建了这么一个dify开源交流社区，因为我是初学者，从官方文档入手，从一个初学者的角度步步为营，整理出一个公开的知识库v1.0

Dify 大模型知识库

入坑必看：comfyui界面与基础操作

通过将节点的输出与另一个节点的输入连接，就可以形成一个工作流程。

comfyui 文生图

Ollama 与 Dify：AI 应用开发的强强联合

性能优化与管理您可以使用 Dify 的以下功能来优化应用程序的性能： · 监控:

Ollama Dify 大型语言模型

高效选择：Ollama与LM Studio深度对比

Ollama与LM Studio 在IT行业，选择合适的工具就像挑选一把适合自己手型的瑞士军刀，既需要精准又要求高效。

Ollama LM Studio 对比

如何看待大型语言模型的Prompt

他们的模型使用了一个优化目标，旨在将单词之间的相关关系转化为嵌入空间中的距离关系：每个单词都与一个向量相关联，这些向量经过优化，使得代表频繁共现单词的向量之间的点积（余弦接近度）更接近1，而代表罕见共现单词的向量之间的点积更接近

prompt 大语言模型

ChatGPT 技巧 | Prompt 逆向工程

这些关键词将有助于我们构建与原文相关的Prompt。

chatgpt 提示词 prompt

<1 2 345 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