知识检索

AI 学习与实战系列：RAG 入门与实践全指南在近年来 AI 技术的蓬勃发展中，如何有效地获取、处理和利用知识成为了研究者和开发者们关注的焦点。RAG（Retrieval Augmented Generation）作为一种结合知识检索与生成模型的技术，脱颖而出，为许多实际问题带来了解决方案。本文旨在通过分节详解，带领读者深入理解 RAG 的核心概念、实现步骤以及实践要点。

RAG：基于检索的生成技术入门与实践指引基于检索的生成技术（RAG, Retrieval Augmented Generation）是一种结合自然语言生成与知识检索的技术。近年来，随着 AI 技术的迅猛发展，RAG 在提升模型生成质量、引入外部知识库增强模型能力方面展示了巨大的潜力。本文旨在为读者提供一个关于 RAG 技术的基础性介绍与实战指南。

【LLM】deepseek之Engram模型(增加条件记忆模块)【Deepseek进展】给大语言模型加了个“快速查知识的小模块”。也就是条件记忆模块，实现上，融合静态N-gram嵌入与动态隐藏状态，通过确定性寻址实现O(1)查找，以可扩展查找，作为混合专家（MoE）之外的新稀疏性维度。如此一来，原来的模型（比如MoE架构）靠“实时计算”处理信息，这个模块补了个“静态记忆库”，存着常用的短语、知识片段，后续一键调取，不用重复计算。

对话访谈——五问RAG与搜索引擎：探索知识检索的未来记一次关于RAG和搜索引擎在知识检索方面的对话访谈，针对 RAG 与传统搜索引擎的异同,以及它们在知识检索领域的优劣势进行了深入的探讨。

我是有底线的