检索增强生成

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。