rag

XLYcmy6 小时前
python·网络安全·ai·llm·agent·rag·ai安全
一个针对医疗RAG系统的数据窃取攻击工具该程序的核心功能并非其表面所宣称的“精准医疗数据提取”，而是一个专门设计用于攻击医疗领域检索增强生成（RAG）系统，以窃取敏感患者医疗记录的攻击脚本。程序通过模拟一系列看似合理的、高权限的医疗数据查询请求，试图诱导或“欺骗”后端的RAG系统泄露其本不应公开的完整、结构化医疗数据。
YoanAILab13 小时前
知识库·向量检索·rag·bm25·rerank
RAG 知识库检索参数怎么调？一篇讲清 top_k、BM25、Rerank、各种阈值的区别很多人在刚开始做知识库问答、Dify 工作流、RAG 系统时，最容易遇到的问题不是“模型不够强”，而是：
Thomas.Sir18 小时前
人工智能·python·ai·rag·预检索·后检索
第十二章：RAG知识库开发之【RAG的预检索和后检索：核心优化策略与实践】随着大语言模型（LLM）的快速发展，检索增强生成（Retrieval-Augmented Generation, RAG）已成为连接海量知识库与生成模型的核心技术，广泛应用于智能问答、文档助手、知识库检索等场景。RAG的核心逻辑是“检索+生成”，通过先从知识库中检索与用户查询相关的信息，再将检索结果作为上下文输入LLM，从而生成准确、有依据、不编造的回复。但在实际应用中，基础RAG常常面临检索效率低、相关性不足、生成内容冗余等问题，而预检索与后检索的优化的是解决这些问题的关键。
YoanAILab1 天前
人工智能·cot·dify·rag·deepresearch
从 CoT、RAG 到 Dify、Deep Research：一篇讲清 AI 问答系统的两条进化路线很多人在接触大模型应用时，经常会看到这些词：但问题是：这些词到底是什么关系？CoT（提示词思想） + RAG（检索增强）
weixin_492722821 天前
rag
RAG 已死，Baklib 才是未来传统的 RAG 平台是为 AI 提供阅读资料；而 Baklib 是为企业构建一个 AI 深度参与、结构化管理、且能直接驱动终端业务体验的知识操作系统。
Chef_Chen2 天前
学习·rag
Agent学习--RAG（1）最近经过了一段时间的学习，察觉到自己本身对于RAG的掌控还只停留在运用，但还不太懂其中的底层逻辑，换言之，就跟我们平时用智能体平台一样，使用者只需要将文件上传，就会看到有分块的设置选项，知识库节点会显示用的是倒排索引、重排等方法，虽然这看起来不会影响使用，但是从长远来看却是会降低使用的效率。
麦哲思科技任甲林2 天前
大模型·rag·anythingllm·本地知识库
四个软件三个步骤搭建本地知识库每家企业都有自己的很多历史资料，这些数据包含了大量的信息在里面，都是公司的财富，这些财富要想发挥作用，就要被引用，否则就是放在仓库里落灰发霉。想象一下，你有一堆宝贵的文档——技术手册、读书笔记、项目资料——每次想找个信息都要翻半天。如果能有一个AI助手，基于这些文档精准回答你的问题，那该多好？
deephub2 天前
人工智能·大语言模型·embedding·rag
多 Aspect Embedding：将上下文信号编入向量相似性计算的检索架构向量数据库的核心任务是对文本或其他非结构化数据生成的 Embedding 做相似性搜索。时间戳、文档类型、所有权一类的上下文约束，一般以外部过滤器的形式在向量搜索前后进行。多数场景下这一架构运作正常，但当上下文信号需要参与排序就会有问题。本文分析传统向量数据库架构的过滤与检索机制，并介绍 Aspected 的 Aspect Database：一个面向 AI 系统的上下文感知检索引擎，将上下文属性经由多 Aspect Embedding 直接编码进相似性计算所用的表示中。
Thomas.Sir2 天前
python·ai·rag·缺陷分析·效果评估
第十一章：RAG知识库开发之【RAG 的缺陷分析与优化：从入门到实践的完全指南】目录前言一、文档加载准确性和效率1.1 问题描述1.2 真实案例1.3 优化方案方案一：选择合适的解析器
Trouvaille ~3 天前
算法·langchain·大模型·embedding·rag·langgraph·llm应用
零基础入门 LangChain 与 LangGraph（一）：理解大模型、提示词、Embedding 和接入方式💬 开篇：很多人学 LangChain，一上来就先背 PromptTemplate、ChatModel、Retriever、Agent 这些名词，结果越学越乱。我一开始也差点走这条路，后来才发现，LangChain 本质上只是把模型调用、提示词设计、检索、工具调用和工作流编排这些东西组织起来的框架。基础概念没搞懂，后面看再多 API 也只是“会抄不会用”。官方文档现在对两者的定位也很明确：LangChain 更像构建 LLM 应用和 Agent 的高层框架，而 LangGraph 更偏底层的 Agent
亓才孓3 天前
rag
【RAG】RAG模型的过程把「人类能看懂的文档」，变成「AI 能快速检索的向量库」，为后续问答做准备。对应图中绿框，是 RAG 的「搜索环节」，核心是从向量库中找到和用户问题最相关的资料。
深藏功yu名4 天前
人工智能·python·ai·pycharm·rag·langgrap
Day27：LangGraph 实战落地｜Tool_RAG + 并行子图 + 持久化部署，打造工业级 AI Agent昨天我们搞定了 LangGraph 核心逻辑，Day2 直接进入实战落地阶段！一篇博客分基础、进阶、高级三阶段，从 Tool/RAG 集成到并行执行，再到生产级持久化部署，把 LangGraph 变成能干活、能上线的企业级 AI Agent，通义千问 + 本地 Qwen 双版本，代码直接复用往期 RAG / 工具内容，学完即可上线！
鬼先生_sir4 天前
spring·rag·spingai
Spring AI 1.1.4 项目源码深度解析项目概览整体架构设计核心模块详解模型集成层向量存储系统RAG 检索增强生成MCP 模型上下文协议工具调用机制
Thomas.Sir4 天前
人工智能·python·ai·rag·效果评估
第六章：RAG知识库开发之【深入浅出RAG使用效果评估：从指标到实践】目录前言第一章：RAG质量指标——从准确性到相关性1.1 上下文相关性1.2 答案忠实度1.3 答案相关性
Chan164 天前
java·spring boot·ai·java-ee·intellij-idea·rag·springai
SpringAI：RAG 最佳实践与调优摘要：本文围绕 RAG 四大核心步骤展开，提供可落地的实战技巧与最佳实践。下面我们还؜؜؜؜؜؜؜是从实现 RAG⁠⁠⁠⁠⁠⁠ ⁠的 4 大核心‏‏‏‏‏‏步骤‏，来实战 R‌‌‌‌‌‌AG ‌开发的最佳‏‏‏‏‏‏实践和‏优化技巧。
s1mple“”4 天前
spring boot·redis·微服务·kafka·java面试·rag·ai技术
大厂Java面试实录：从Spring Boot到AI技术的面试场景深度解析面试官：严肃认真，技术功底深厚 求职者：谢飞机，有基础但技术深度不够，对简单问题能回答，复杂问题含糊其辞 面试场景：某知名互联网公司的Java开发工程师岗位面试
gujunge4 天前
ai·大模型·llm·openai·qwen·rag·spring ai·deepseek
Spring with AI (6): 记忆保持——会话与长期记忆本文代码： https://github.com/JunTeamCom/ai-demo/tree/release-6.0 (JDBC-MySQL版本的会话持久化)
泯仲4 天前
数据仓库·agent·etl·rag
项目实践｜ETL Pipeline 完整解析：从多源文档到向量库的全链路实现在RAG（检索增强生成）项目中，“数据”是核心基石——无论是PDF、Word等本地文档，还是URL网页、飞书文档、S3云存储文件，都需要经过一套标准化流程处理，才能转化为可被检索的向量数据，存入向量数据库。这套连接“原始文档”与“向量库”的核心链路，就是ETL Pipeline。
Thomas.Sir4 天前
人工智能·ai·rag·离线处理·在线查询
第三章：RAG知识库开发之【RAG系统工作流程详细解析：从数据源到智能问答的全链路实战指南】目录一、前言二、RAG系统工作流程详细解析2.1 流程总览2.1.1 完整流程图（离线+在线全链路）2.1.2 各模块协同逻辑（数据源→输出全链路拆解）
IT 行者5 天前
数据库·redis·缓存·大模型·aigc·向量数据库·rag
Redis 8.0 向量库：大模型知识库开发的新选择在大模型时代，向量数据库已成为 RAG（检索增强生成）架构的核心组件。Redis 从 8.0 版本开始正式支持向量存储能力，为开发者提供了"缓存 + 向量检索"一体化的解决方案。本文结合 Redis 8.0.1 的最新更新和向量库选型指南，带你全面了解 Redis 向量能力的技术细节和实战价值。