rag

智能觉醒：四大AI Agent框架重构未来生产力AI Agent是具备自主决策能力的"数字工作者"，能像人类团队一样感知环境、分析数据、执行任务。例如，亚马逊的仓储机器人集群通过Agent系统实时调整路径，将拣货效率提升40%；OpenAI的Operator工具让客服团队通过语音指令自动处理80%的重复性工单。

xidianjiapei001

构建大语言模型应用：数据准备（第二部分）本专栏通过检索增强生成（RAG）应用的视角来学习大语言模型（LLM）。如上图所示，是检索增强生成（RAG）的数据准备流程

xidianjiapei001

构建大语言模型应用：简介（第一部分）本专栏聚焦大语言模型（LLM）相关内容的解析，通过检索增强生成（RAG）应用的视角来进行。如上图所示，即使是一个简单的检索增强生成应用，也需要调整许多不同的参数、组件和模型。

微软 GraphRAG 项目学习总结微软2024年4月份发布了一篇《From Local to Global: A GraphRAG Approach to Query-Focused Summarization》（GraphRAG：从局部到全局的查询式摘要方法）论文，提出了一种名为GraphRAG的检索增强生成（RAG）方法，用于查询式摘要任务。传统的RAG方法主要基于局部检索和生成，可能会忽略不同检索片段之间的全局关系，导致生成的摘要缺乏整体连贯性和深度。GraphRAG 结合了知识图谱构建、检索增强生成和查询聚焦摘要技术，将检索到的文

智能体是如何学习文档的内容的？【deepseek生成】智能体（如基于大语言模型的AI系统）学习文档内容的核心方式取决于其架构设计。主要分为参数化学习（模型内部记忆）和检索增强（外部知识调用）两种范式。

RAG专栏：向量数据库在 RAG 系统中，向量数据库起着重要的作用。其主要功能在于索引过程中，建立高效的向量索引结构，以便快速定位与查询相关的向量数据。在查询阶段，系统将输入的提示转化为向量表示形式，并从数据库中检索出与之最相关的向量及其对应的分块数据。通过这种索引和检索机制，检索到的向量为生成模型提供了必要的上下文信息，使模型能够依据当前的语义上下文生成更加精准和相关的响应。

RAG（Retrieval-Augmented Generation）基建之PDF解析的“魔法”与“陷阱”嘿，亲爱的算法工程师们！今天咱们聊一聊PDF解析的那些事儿，简直就像是在玩一场“信息捉迷藏”游戏！PDF文档就像是个调皮的小精灵，表面上看起来规规矩矩，但当你想要从它那里提取信息时，它就开始跟你玩捉迷藏了。在RAG（Retrieval-Augmented Generation）中，从文档中提取信息是一个不可避免的场景。确保从源内容中有效提取信息对于提高最终输出的质量至关重要。

CoderJia程序员甲

Cherry Studio搭建本地知识库，结合DeepSeek实现RAGCherryStudio 是一款集多模型对话、知识库管理、AI 绘画、翻译等功能于一体的全能 AI 助手平台。 CherryStudio 的高度自定义的设计、强大的扩展能力和友好的用户体验，使其成为专业用户和 AI 爱好者的理想选择。无论是零基础用户还是开发者，都能在 CherryStudio 中找到适合自己的AI功能，提升工作效率和创造力。

检索增强生成RAG with LangChain、OpenAI and FAISS参考：RAG with LangChain — BGE documentationAPI keys - OpenAI APIhttps://platform.openai.com/api-keys

[DeepRetrieval] 用DeepSeek-R1-Zero的思路教会模型怎么用搜索引擎找文本前段时间很火的 DeepSeek-R1-Zero，通过这种方式既然能增强模型的推理能力，那是否可以在RAG的方面上增强文本的召回呢？今天带来一篇关于这个方面工作的技术报告来分享一下。

RAG各类方法python源码解读与实践:RAG技术综合评测【3万字长文】检索增强生成（RAG ）是一种结合信息检索与生成模型的混合方法。它通过引入外部知识来提升语言模型的性能，从而提高回答的准确性和事实正确性。为了简单易学，不使用LangChain框架或FAISS向量数据库，而是利用python基本库编写所有技术代码。由简入深！CRAG、Fusion、HyDE等！本篇是综合篇，后续会将每种详细技术进行专栏介绍，欢迎关注我！

RamendeusStudio

AI教我做事之RAG开发-21 RAGFlow深度研究检索增强生成（Retrieval-Augmented Generation, RAG）自2020年由Lewis等人提出以来，已成为AI领域的重要范式，尤其在需要外部知识支持的场景中表现出色。RAG Flow框架是对RAG的进一步抽象和优化，旨在通过定义清晰的数据流和模块化设计，提升系统的可扩展性、效率和适用性。本报告将深入探讨RAG Flow的架构、技术细节、实现方法，并提供示例代码，帮助读者理解其在实际应用中的价值。

RAGFlow部署与使用（开源本地知识库管理系统，包括kibana配置）戳我访问RAGFlowRAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。它可以给我们搭建本地知识库，将用户的知识文档上传到RAGFlow后，通过文档切分、向量入库，在用户向大语言模型提问后，从数据库中检索与问题相关的文档，把查找到的知识库数据输入到对话大模型中再生成答案输出。

LLM - Dify（1.0.1）搭建本地私有RAG知识库完整指南访问： https://docs.docker.com/安装后如下LLM - 本地 Ollama 部署DeepSeek

RAG的工作原理以及案例列举RAG（Retrieval-Augmented Generation 检索增强生成）是一种结合信息检索（Retrieval）和文本生成（Generation）的技术。其核心思想是：在生成答案前，先从外部知识库中检索相关数据作为上下文，再基于这些信息生成更准确、更可靠的回答。简单来说，RAG让AI像“查阅资料后再回答问题”的人类专家一样工作。

基于深度文档理解的开源 RAG 引擎RAGFlow的介绍和安装在人工智能和自然语言处理（NLP）快速发展的今天，如何高效地利用海量文本数据成为了企业和个人关注的焦点。检索增强生成（Retrieval-Augmented Generation，简称 RAG）技术正是这一需求下的产物，它结合了信息检索与生成模型，使得大语言模型（LLM）能够在更真实、可控的上下文中提供高质量回答。RAGFlow 是一款开源的 RAG 引擎，专注于深度文档理解，能够处理各种复杂格式的数据，为用户提供精准、可验证的问答服务。本文将详细介绍 RAGFlow 的特点、安装方法以及如何高效利用其功

LLM训练如何从图片提取信息存入向量数据库‌数据泄露风险‌‌特征对齐偏差‌‌计算资源瓶颈‌通过上述方案，可实现从图片到结构化向量数据的完整链路，为LLM提供跨模态理解能力。实际部署时需根据场景需求在‌精度‌（大模型）和‌速度‌（轻量化模型）之间取得平衡。

【论文解读】人大发表《Search-o1 — Agentic Search-Enhanced Large Reasoning Models》近年来，大规模推理模型（Large Reasoning Models, LRMs）如 OpenAI-o1 展现出长链式思考（chain-of-thought）能力，能够通过分步推理解决复杂问题。然而，这些模型在长链推理过程中常常因知识不足而产生不确定性和错误，尤其是在遇到专业领域知识空缺时。为此，论文提出了 Search-o1 框架，其核心思想是：

fanghailiang2016

14. LangChain项目实战1——基于公司制度RAG回答机器人12. 基于Gradio搭建基于公司制度RAG_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV11VXRYTErZ/

绕过 RAG 实时检索瓶颈，缓存增强生成（CAG）如何助力性能突破？编者按：你是否曾经遇到过这样的困扰：在开发基于 RAG 的应用时，实时检索的延迟让用户体验大打折扣？或者在处理复杂查询时，检索结果的不准确导致回答质量不尽如人意？