Type something to search...
to navigateto selectESC to close

Retrieval

代理混合搜索如何创建更智能的 RAG 应用程序

代理混合搜索如何创建更智能的 RAG 应用程序

By Ryan Michael 如果您正在构建一个 [retrieval-augmented generation (RAG)](https://www.datastax.com/guides/what-is-retrieval-augmented-generation?utm

阅读更多
RAGFlow 一种开源检索增强生成（RAG）引擎

RAGFlow 一种开源检索增强生成（RAG）引擎

RAGFlow 是一个开源的检索增强生成 (RAG) 引擎，能够与大型语言模型 (LLMs) 集成，从复杂的数据格式中提供准确的、带有引用的答案。RAGFlow 开发者文档 提

阅读更多
使用 LangGraph 构建 RAG 研究多重代理

使用 LangGraph 构建 RAG 研究多重代理

❓引言 — 天真的 RAG 与 代理 RAG 🧠 项目概述 📊 结果 🔚 结论在本文中，我们介绍了一个实用项目，使用 LangGraph 开发了一个 RAG 研究多代理 工具。该工具旨在解决需要 多个来源 和 迭代步骤 才能得出最终答案的 复杂问题。它采用 混合搜索 和 Cohere **重新排序步

阅读更多
使用 Python 构建您自己的个性化健身 RAG 代理！

使用 Python 构建您自己的个性化健身 RAG 代理！

AI代理 | RAG代理 | Python | DSPy | 健身代理 | 初学者友好 完整且适合初学者的指南：使用 Python 构建您完全个性化的健身 RAG 代理***还不是会员？请随时访问完整文章 [这里](https://readmedium.com/69fe37b803f6?source=friends_link&sk=13d4674246ba

阅读更多
2025 年最著名的 21 个 RAG 框架

2025 年最著名的 21 个 RAG 框架

通过高级检索增强生成技术革新人工智能 披露：我使用GPT搜索。整篇文章仍由我草拟。我的写作风格倾向于自信和分析性，相比之前的文章，不依赖于ChatGPT辅助写作。感谢您与我一起参与这段旅程，我希望在未来几年继续为您提供价值！通过支持我来提供建议。 截至2025年1月4日， 免责声明：[类似](https://sebastian-petrus.medium.

阅读更多
如何使用 CrewAI 和 Langchain 构建代理 RAG

如何使用 CrewAI 和 Langchain 构建代理 RAG

在快速发展的 AI 领域，提供准确、上下文感知的用户查询响应能力是一个游戏改变者。检索增强生成（RAG）作为一种强大的范式，结合了从外部来源检索相关信息与大型语言模型（LLMs）的生成能力。然而，随着查询变得越来越复杂和多样化，静态 RAG 设置可能并不总是足够。这就是 Agentic RAG 发挥作用的地方。 Agentic RAG 引入了一个智能的模块化框架，其中专门的代理协同

阅读更多

掌握 25 种 RAG 架构：何时以及如何使用每一种

介绍 检索增强生成 (RAG) 架构彻底改变了我们处理信息检索的方式。这些架构弥合了生成响应与提取相关数据之间的差距，使模型能够提供准确、实时且具有上下文意识的答案。但在众多可用的 RAG 架构中，您如何知道在每种独特场景中使用哪一个？ 在本指南中，我们将深入探讨 25 种 RAG 架构，解释它们的具体用途，并提供现实世界的示例，以演示每种架构何时最有效。 1. Corr

阅读更多
介绍 LightRAG：检索增强一代的新时代

介绍 LightRAG：检索增强一代的新时代

在快速发展的自然语言处理领域，检索增强生成（RAG）系统已成为提供准确、上下文丰富的响应的关键。然而，传统的 RAG 系统在更新知识库或处理复杂查询时，往往面临效率低下的问题。 引入 LightRAG，这是一个新颖的系统，旨在通过提供高效、增量更新和优化的检索过程来解决这些挑战。 传统 RAG 系统的问题 在我们深入了解 LightRAG 之前，先来理解一下我们为什么

阅读更多
RAGate：用于对话式人工智能的自适应 RAG

RAGate：用于对话式人工智能的自适应 RAG

构建对话 AI 系统是困难的！！！ 这虽然可行，但也复杂、耗时且资源密集。 挑战在于设计能够理解和生成类人响应的系统，并确保这些系统能够有效地与用户互动，适应对话的细微差别。 非常流行的**RAG（检索增强生成）**通过将外部知识与 LLM 的内部知识无缝集成，彻底改变了对话 AI。通过将 RAG 应用于您的商业数据，您的客户可以用自然语言询问他们的数据，从而促进无缝互动。

阅读更多
LightRAG - GraphRAG 简单高效的竞争对手？

LightRAG - GraphRAG 简单高效的竞争对手？

传统的 RAG 系统通过索引原始数据来工作。这些数据被简单地切分并存储在向量数据库中。每当用户发出查询时，它会查询存储的片段并 检索 相关片段。如果您希望了解 RAG 的基本原理，我已经在 [这里](https://proxy.rifx.online/https://readmedium.com/retrieval-augmented-generation-rag-a-quick-a

阅读更多
LongRAG：让人工智能在信息海洋中捕捞更多鱼

LongRAG：让人工智能在信息海洋中捕捞更多鱼

在 我之前的文章 中，我介绍了RAG是否会因长上下文LLMs而变得过时。今天，让我们看看如何将长上下文LLMs应用于RAG场景。 在检索增强生成（RAG）领域，传统方法一直依赖于短检索单元，通常约为100个单词，这迫

阅读更多
检索增强生成：方法、最新进展和优化策略

检索增强生成：方法、最新进展和优化策略

⭐ RAG 在知识密集型场景或需要持续更新知识的特定领域应用中尤其有用。最近，RAG 因其在对话代理中的应用而受到广泛关注。 📌 参考研究主要集中在当前的 RAG 方法及其不同组件、最新进展（SOTA）、应用、检索、生成、增强技术的评估上。 随着 RAG 系统从简单到高级再到模块化的演变，每个阶段都是为了应对特定用例的增强而出现的。 ![](https://images.wese

阅读更多
Qwen2.5 1.5b：移动AI的未来？

Qwen2.5 1.5b：移动AI的未来？

本地测试和评估阿里云最新的LLM。使用llama-cpp-python和DIY提示目录。 在第一部分，我们共同探讨了阿里云团队发布的Qwen2.5模型系列的创新。 在生成式AI基准测试中，基准测试现在是主要的oracle：新的LLM的有效性需要通过多个评判。你打破的基准记录越多，你就越优秀。 这是赢得SOTA竞赛的方式。 好吧，我不同意。尽管我们需要里程碑和更好的性

阅读更多