rag检索

流浪00115 天前
llm·rag·提示词增强·rag检索
大模型技术全景(二十三):RAG 应用阶段的检索、提示词增强与生成📚 本文收录于「流浪」的系列专栏🏠 博客主页:流浪 | 📝 原创首发于 CSDN上一篇把知识库构建阶段的最后一环讲完了:向量连同原文和元数据一起落进向量库, 四段字段各管一件事,选型看规模、运维和技术栈。库建好之后,真正的使用阶段才刚开始——用户敲一句话进来,系统要把它变成向量、在库里捞出最相关的几块、把这几块和原来的问题揉成一个像样的提示词,最后交给大模型写出答案。本篇就走一遍这条线:用户查询、查询向量化、向量检索、提示词增强、大模型生成,也就是 RAG 里 R 到 G 的完整过程。
circuitsosk3 个月前
python·机器学习·搜索引擎·ab测试·vllm·rag检索
平台整体能力与功能特性设计:分群、联运、ABTest与运营位系统在互联网产品进入存量竞争的时代,平台的整体能力决定了产品能否快速响应业务需求、能否精细化运营用户、能否持续迭代增长。一个功能完备的平台底座,不仅需要支撑核心业务流程,更需要提供用户分群、跨平台联运、A/B测试、运营位管理等横向能力。
Lw中7 个月前
人工智能·大模型应用基础·rag检索
RAG如何科学调节切片长度与滑动窗口?在RAG(检索增强生成)系统的优化过程中,切片长度和滑动窗口的设置往往让人头疼:切得太短,信息不完整;切得太长,检索效率低还容易混入噪声。手动调整参数,再靠肉眼判断效果,既费时又主观。有没有一种方法能客观、量化地评估不同配置的优劣?答案是——RAGAS。
我是有底线的