rag

【论文阅读】A Survey on Knowledge-Oriented Retrieval-Augmented Generation（4）代码地址：GitHub - USTCAGI/CRAG-in-KDD-Cup2024【论文阅读】A Survey on Knowledge-Oriented Retrieval-Augmented Generation（1）-CSDN博客

Linux系统安装部署GraphRAG完全指南GraphRAG（Graph-based Retrieval-Augmented Generation）是微软开源的新一代知识图谱增强型检索生成技术，它通过构建实体关系网络来提升传统RAG的全局理解能力。与传统基于文本块的RAG不同，GraphRAG能够：

什么是RAG(Retrieval-Augmented Generation)?一文读懂检索增强生成RAG是一种结合文档检索（Retrieval）与语言模型生成（Generation）的技术，它的核心思想是：先查资料，再作答。

GraphRAG Docker化部署，接入本地Ollama完整技术指南：从零基础到生产部署的系统性知识体系相关推荐：Umi-OCR 的 Docker安装（win制作镜像，Linux（Ubuntu Server 22.04）离线部署）

AI 系统架构的演进：LLM → RAG → AI Workflow → AI Agent编者按：当前 AI 系统建设中的一大痛点是：盲目追求先进技术而忽视业务实际需求，导致系统过度复杂、成本高昂、可靠性差。许多团队在 Agent 热潮中迷失方向，不知道何时该用简单的 LLM，何时需要 RAG，什么场景下才真正需要智能体。

开源！RAG竞技场（2）：标准RAG算法本项目已开源：地址：https://github.com/ZehaoJia1024/RAG-Arena

基于Spring AI Alibaba的多智能体RAG应用完整的代码下载：基于SpringAIAlibaba的多智能体RAG应用资源-CSDN下载已同步上传至github：1998y12/multi-agent-rag-spring: a multi-agent RAG application with Spring AI Alibaba

深度解析影响 RAG 召回率的四大支柱——模型、数据、索引与检索面对大型语言模型（LLM）知识陈旧、容易幻觉的固有挑战，检索增强生成（RAG）技术已然成为构建可信、精准、知识渊博AI应用的行业基石。RAG的核心魅力在于它用强大的语义检索能力，为LLM实时注入了新鲜、准确的外部知识，它能真正理解用户的查询意图，从海量文档中找到与之“意思相近”而非仅仅“字面相同”的内容。

在未来等你

RAG实战指南 Day 4：LlamaIndex框架实战指南RAG,LlamaIndex,检索增强生成,大语言模型,AI开发本文是"RAG实战指南"系列的第4天，聚焦LlamaIndex框架的核心功能与实战应用。我们将深入解析LlamaIndex在RAG系统中的定位，详细讲解其数据连接器、索引构建和查询引擎三大核心组件的工作原理。文章包含完整的Python代码实现，展示如何从零构建一个基于LlamaIndex的文档问答系统，涵盖文档加载、索引创建、向量检索和响应生成全流程。通过与传统方法的对比分析，我们将揭示LlamaIndex在结构化数据处理和多源集成方面的独特

Graph ⋈ Agent：Chat2Graph 如何重构 GraphRAG 范式？去年年底，我在《2024年度 Graph+AI 开源探索思考》一文中，细致拆解并总结了 TuGraph 在「Graph+AI」领域的开源技术实践经验。文中引用了一段业内不成文的观点：「23年卷 SFT，24年卷 RAG，25年卷智能体」，并将「Graph Native」的理念引入到智能体的设计中。

深度拆解RAGFlow分片引擎之切片实现上一篇深度拆解RAGFlow分片引擎！3大阶段+视觉增强，全网最硬核架构解析讲了切片的整体流程，今天我们来拆下切片的实现。

MCP出现的意义是什么？让 AI 智能体更模块化AI 智能体现在能做的事情真的很厉害，可以思考、规划，还能执行各种复杂任务，而且代码量并不大。这让开发者看到了一个机会：把那些庞大复杂的代码库和 API 拆解成更实用的模块。

dify本地部署及添加ollama模型（ubuntu24.04）下载地址：https://github.com/langgenius/dify 切换到自己要存放该源码的目录下，拉取代码

【一天一个知识点】RAG构架的第四步：设计问答链路与响应控制（Response Chain & Output Control）在生成器模型的基础上，构建完整的问答链路，确保输出结果准确、可控、可溯源，提升实际可用性与用户信任度。

如何用大语言模型提取任意文档中的知识点随着大语言模型（LLM）能力的发展，从海量非结构化文档中自动化、规模化地提取关键信息已成为可能。无论是处理公司财报、技术白皮书，还是分析法律合同，LLM 都能扮演一个高效的“知识萃取专家”。

迢迢星万里灬

Java求职者面试：Spring AI、MCP、RAG、向量数据库与Embedding模型技术解析1. 请解释Spring AI是什么？它与传统Spring框架有何不同？Spring AI是Spring生态系统的一部分，专注于人工智能和机器学习相关的开发。与传统Spring框架相比，Spring AI提供了更丰富的工具和库来支持AI应用的构建，例如集成TensorFlow和PyTorch等深度学习框架。

RAG轻松通-P1：分块欢迎来到啾啾的博客🐱。记录学习点滴。分享工作思考和实用技巧，偶尔也分享一些杂谈💬。有很多很多不足的地方，欢迎评论交流，感谢您的阅读和评论😄。

带刺的坐椅

Solon AI 五步构建 RAG 服务：2025 最新 AI + 向量数据库实战此文参考自：https://www.toutiao.com/article/7506140643970826779/

在未来等你

互联网大厂Java求职面试：云原生架构与微服务设计中的复杂挑战面试官（严肃模式开启）：郑薪苦，欢迎来到我们的技术面试环节。我是本次面试的技术总监，接下来我们将围绕云原生架构、微服务设计、AI集成和分布式系统这些热门领域展开深入讨论。希望你能展现出你的技术深度以及解决问题的能力。

使用RAG的思想进行PPT生成的框架思路-SlideCoder手动创建幻灯片既费时又费力，如何从参考图像自动生成可编辑的幻灯片？现有的问题：如Autopresent的方法，通过构建大批量的SFT数据生成ppt代码来生成ppt。然而，自然语言描述难以准确描述幻灯片的视觉设计，LLMs在处理复杂PPT时存在局限性，特别是包含多样元素类型和高元素密度的情况；LLMs对python-pptx库的理解不足，导致生成的代码可能存在语法错误或不可执行。