检索

常见混淆概念理清：从搜索引擎和检索引擎的区别说起最近在搞RAG，在和内外部交流的过程中，发现针对同一个事物大家有不同的称呼方式，就想看看应该怎么准确定义自己的做的事情，于是就花了一点时间来专门查了一下一些常见概念的定义，供来者参考。以下问题答案均通过通义千问生成。常看常新

【论文阅读】BGE M3-Embedding：通过自知识蒸馏实现多语言、多功能、多粒度的文本嵌入在本文中，作者介绍了一种称为 M3-Embedding 的新嵌入模型，该模型因其在多语言、多功能和多粒度上的通用性而与众不同。它为 100 多种工作语言的语义检索提供统一支持。它可以同时完成三种常见的检索功能：密集检索、多向量检索和稀疏检索。此外，它还能够处理不同粒度的输入，从短句子到最多 8192 个token的长文档。 M3-Embedding 的有效训练呈现出一系列技术贡献。尤其，作者提出了一种新的自知识蒸馏方法，其中来自不同检索功能的相关性分数可以整合为teacher信号，以提升训练质量。作者

键盘会跳舞

【专利检索】：强大的正规军专利检索超级方便，路径： https://pss-system.cponline.cnipa.gov.cn/conventionalSearch

ElasticSearch学习篇15_《检索技术核心20讲》进阶篇之TopK检索学习极客实践课程《检索技术核心20讲》https://time.geekbang.org/column/article/215243，文档形式记录笔记。相关问题：

沐沐森的故事

python之Bible快速检索器内容将会持续更新，有错误的地方欢迎指正，谢谢!最近在看shengjing的时候突发奇想，能不能开发一款可以快速查询shengjing的软件，通过输入书名章：节这样的方式来快速查询，于是就开发了这款能够可以快速查询的软件。

【RAG】RAG性能提升之路-RAPTOR：一种构建递归文档树的增强检索方法检索增强型语言模型（RALMs）在处理需要不断更新的知识和大量信息的文档时确实展现出了优势。然而，现有的方法在处理长篇文档时存在局限性，主要是因为它们通常只能检索较短的文本片段，这限制了对整体文档上下文的全面理解。在NLP中，长篇文档的检索和理解一直是一个挑战，因为传统检索方法往往难以有效处理长文档中的复杂结构和信息，可能导致检索结果不准确或遗漏关键信息。

uniapp 字母索引列表插件（组件版） Ba-SortListBa-SortList 是一款字母索引列表组件版插件，可自定义样式，支持首字母字母检索、首字检索、搜索等等；支持点击事件。

Python算法实战

垂直领域大模型落地思考相比能做很多事，但每件事都马马虎虎的通用大模型；只能做一两件事，但这一两件事都能做好，可被信赖的垂直大模型会更有价值。这样的垂直大模型能帮助我们真正解决问题，提高生产效率。

Elasticsearch基础篇(六)：es映射和常用的字段类型官方地址：Mapping在 Elasticsearch 中，映射是索引的关键组成部分，它定义了文档的结构和字段。每个文档都包含一个或多个字段，而映射定义了这些字段的数据类型、如何分析文本、字段是否可搜索等信息。