rag

booooooty1 小时前
java·人工智能·spring·多智能体·rag·spring ai·ai alibaba
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
knqiufan17 小时前
llm·milvus·向量数据库·rag
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2 天前
大语言模型·rag·llamaindex·检索增强生成·ai开发
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
Florian13 天前
知识图谱·agent·rag·graphrag·chat2graph·符号主义
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。
5ycode14 天前
知识库·rag·ragflow
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。
致Great15 天前
大数据·人工智能·rag
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。
Jayin_chan15 天前
ubuntu·ai大模型·dify·rag·本地部署
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
dundunmm15 天前
大模型·rag·检索
【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。
ExperDot16 天前
ai·llm·知识库·rag
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17 天前
java·面试·向量数据库·rag·spring ai·embedding模型·mcp
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。
啾啾Fun18 天前
分块·rag
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19 天前
java·redis·ai·solon·rag
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20 天前
java·微服务·ai·云原生·秒杀系统·rag·分布式系统
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。
余俊晖21 天前
powerpoint·ppt·rag
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。
Python测试之道23 天前
langchain·embedding·rag·deepseek
RAG实战:基于LangChain的《肖申克的救赎》知识问答系统构建指南作为一名测试工程师,你是否遇到过以下场景?RAG(检索增强生成)技术恰好能解决这些问题!本文将以电影《肖申克的救赎》为案例,手把手教你使用LangChain框架构建一个完整的RAG系统,通过代码实战展示如何将静态文档转化为可交互的知识库。需提取申请好deepseek的api-key及阿里的通义千问的api-key。本文使用deepseek作为chat大模型,通义千问的text-embedding-v2作为嵌入式模型。与项目源码同目录创建.env,内容如下图所示。
seventeennnnn23 天前
spring boot·redis·spring cloud·微服务·ai·java面试·rag
Java面试实战:Spring Boot+微服务+AI的谢飞机闯关之路 | CSDN博客精选谢飞机:嗯...就是那个AutoConfiguration的东西对吧?我看过源码,是通过@Conditional注解来判断某些类是否存在,然后决定是否加载对应的Bean...
木亦汐丫24 天前
bic·rag·gm·ragflow·graphrag·raptor·rag性能优化
【大模型系列篇】RAGFlow递归抽象处理树组织检索:Raptor检索增强型语言模型可以更好地适应世界状态的变化,并整合长尾知识。 然而,大多数现有方法只从检索语料库中检索较短的连续块,限制了对整体文档上下文的整体理解。 我们引入了一种新颖的方法,即递归地对文本块进行嵌入、聚类和摘要,自下而上构建一个具有不同摘要级别的树。 在推理时,我们的 RAPTOR 模型从这棵树中检索,整合不同抽象级别的长文档中的信息。对照实验表明,使用递归摘要的检索在多项任务上比传统的检索增强型 LLM 有显著的改进。 在涉及复杂、多步推理的问答任务中,我们展示了最先进的结果;例如,通过将 RA
gs8014024 天前
rag·spacy
基于 SpaCy 框架的依存句法分析实战指南目录基于 SpaCy 框架的依存句法分析实战指南引言1️⃣ 环境配置2️⃣ 基本使用方法3️⃣ 解析结果讲解
橙子小哥的代码世界1 个月前
linux·docker·大模型·milvus·向量数据库·rag
【大模型RAG】Docker 一键部署 Milvus 完整攻略本文概要Milvus 2.5 Stand-alone 版可通过 Docker 在几分钟内完成安装;只需暴露 19530(gRPC)与 9091(HTTP/WebUI)两个端口,即可让本地电脑通过 PyMilvus 或浏览器访问远程 Linux 服务器上的 Milvus。下面从环境准备、Docker 安装、容器启动、数据持久化、防火墙与安全组配置到客户端连接与常见故障排查,一步到位地给出完整操作指引,并汇总常见陷阱及修复方案。
仙人掌_lz1 个月前
人工智能·搜索引擎·ai·金融·llm·rag·mcp
如何打造一款金融推理工具Financial Reasoning Workflow:WebUI+Ollama+Fin-R1+MCP/RAG在之前的文章中,我探讨了如何使用具身人工智能,让大语言模型智能体来模仿[当今著名对冲基金经理的投资策略]。 在本文中,我将探讨另一种方法,该方法结合了经过金融推理训练的特定大语言模型(LLM),并集成了一系列金融工具,如股票分析、外汇交易等。此外,可以利用LightRAG通过精心整理的金融文档来增强知识,然后将这些知识集成到在本地运行的Open-WebUI / Ollama中。因此,综合起来,解决方案如下图所示。