检索增强生成

【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

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

“一代更比一代强”：现代 RAG 架构的演进之路编者按：我们今天为大家带来的文章，作者的观点是：RAG 技术的演进是一个从简单到复杂、从 Naive 到 Agentic 的系统性优化过程，每一次优化都是在试图解决无数企业落地大语言模型应用时出现的痛点问题。

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。

大模型之路

探索从传统检索增强生成（RAG）到缓存增强生成（CAG）的转变在人工智能快速发展的当下，大型语言模型（LLMs）已成为众多应用的核心技术。检索增强生成（RAG）（RAG 系统从 POC 到生产应用：全面解析与实践指南）和缓存增强生成（CAG）（Cache-Augmented Generation（CAG）：一种更快、更简单的RAG替代方案）作为提升 LLMs 性能的关键技术，备受关注。这两种技术各自具有独特的优势与局限，深入探究从 RAG 到 CAG 的转变，对于理解人工智能技术的演进、优化应用开发具有重要意义。

大模型之路

LLM幻觉（Hallucination）缓解技术综述与展望LLMs 中的幻觉问题（LLM 幻觉：现象剖析、影响与应对策略）对其可靠性与实用性构成了严重威胁。幻觉现象表现为模型生成的内容与事实严重不符，在医疗、金融、法律等对准确性要求极高的关键领域，可能引发误导性后果，因此，探寻有效的幻觉缓解技术成为当前人工智能研究的关键任务。

大模型之路

Table-Augmented Generation（TAG）：Text2SQL与RAG的升级与超越当下AI与数据库的融合已成为推动数据管理和分析领域发展的重要力量。传统的数据库查询方式，如结构化查询语言（SQL），要求用户具备专业的数据库知识，这无疑限制了非专业人士对数据的访问和利用。为了打破这一壁垒，AI驱动的数据库查询方法应运而生，其中Text2SQL和检索增强生成（RAG）（微软最新研究：RAG（Retrieval-Augmented Generation）的四个级别深度解析）是两种具有代表性的技术。然而，这两种方法在实际应用中均存在局限性，促使研究人员探索更为强大和灵活的框架。今天我们一起了解

大模型之路

TrustRAG：增强RAG系统鲁棒性与可信度的创新框架在人工智能飞速发展的今天，大语言模型（LLMs）凭借其强大的语言处理能力在诸多领域大放异彩。检索增强生成（RAG）系统（面向企业RAG（Retrieval Augmented Generation）系统的多维检索框架）的出现，通过整合外部知识源进一步提升了 LLMs 的性能，使其能针对用户查询提供更准确、更具上下文相关性的回答，在众多知名应用中得到广泛采用。然而，这一系统并非坚不可摧，语料库中毒攻击成为了严重威胁其性能的安全隐患。在此背景下，TrustRAG 应运而生，为解决 RAG 系统的安全问题提供了

【大模型实战篇】Mac本地部署RAGFlow的踩坑史最近一篇文章还是在11月30日写的，好长时间没有打卡了。最近工作上的事情特别多，主要聚焦在大模型的预训练、微调和RAG两个方面。主要用到的框架是Megatron-DeepSpeed，后续会带来一些分享。今天的文章主要聚焦在RAG。

AutoGen 检索增强生成（RAG）功能解析目录一、什么是检索增强（RAG）？二、AutoGen 检索增强（RAG）三、实例本文主要对 AutoGen 检索增强生成（RAG）功能进行解析，并通过两个实例来说明。

检索增强生成RAG系列10--RAG的实际案例讲了很多理论，最后来一篇实践作为结尾。本次案例根据阿里云的博金大模型挑战赛的题目以及数据集做一次实践。完整代码地址：https://github.com/forever1986/finrag.git 本次实践代码有参考：https://github.com/Tongyi-EconML/FinQwen/

大模型与计算机视觉

基于大语言模型（LLM）的合成数据生成、策展和评估的综述节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学。针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。

检索增强生成RAG系列2--提高RAG准确度的关键点上一章讲到了RAG的基本流程，但是如果只是完成一个基本流程，想要在商业上使用还是不行，因为正常商业上的使用其准确度至少有个90%甚至更高。那么如何提高RAG的准确度，那么需要看看RAG有哪些关键点。

Python算法实战

如何确保大模型 RAG 生成的信息是基于可靠的数据源？在不断发展的人工智能 (AI) 领域中，检索增强生成 (RAG) 已成为一种强大的技术。RAG 弥合了大型语言模型 (LLM) 与外部知识源之间的差距，使 AI 系统能够提供更全面和信息丰富的响应。然而，一个关键因素有时会缺失——透明性。

Python算法实战

用通俗易懂的方式讲解：使用 MongoDB 和 Langchain 构建生成型AI聊天机器人想象一下：你收到了你梦寐以求的礼物：一台非凡的时光机，可以将你带到任何地方、任何时候。你只有10分钟让它运行，否则它将消失。你拥有一份2000页的PDF，详细介绍了关于这台时光机的一切：它的历史、创造者、构造细节、操作指南、过去的用户，甚至还有一种回到过去的方法。

Python算法实战

用通俗易懂的方式讲解：使用Llama-2、PgVector和LlamaIndex，构建大模型 RAG 全流程近年来，大型语言模型（LLM）取得了显著的进步，然而大模型缺点之一是幻觉问题，即“一本正经的胡说八道”。其中RAG（Retrieval Augmented Generation，检索增强生成）是解决幻觉比较有效的方法。