tag RAG

標籤
貢獻9
59
03:08 PM · Nov 22 ,2025
u_16213720 頭像 u_16380863 頭像 u_16099172 頭像 u_16841336 頭像 u_16213687 頭像 u_17216172 頭像 u_15812686 頭像 u_16700356 頭像 u_56701 頭像

@RAG / 博客 RSS 訂閱

u_16213720 頭像

mob64ca14193248 - 架構師之路 — 軟件架構 — 系統架構設計模式_51CTO博客

在模塊化RAG（Retrieval-Augmented Generation）設計中，各種操作模式通過模塊化的方式協同工作，形成了一個名為 RAG流 的工作流程。這個 RAG流 可以被視為由多個子函數組成的圖形結構。通過控制邏輯，這些子函數會按預定的順序執行，同時也能根據需求進行條件判斷、分支或循環。 這種模塊化特性讓RAG系統能夠靈活應對不同的應

llm , agent , 大數據 , hadoop , langchain , 人工智能 , RAG

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：四十、K-Means++與RAG的融合創新：智能聚類與檢索增強生成的深度應用

一、前言 前面的文章我們詳細講過，大型語言模型雖在自然語言處理領域展現卓越能力，但仍面臨幻覺問題、知識時效性不足及領域專業性缺失的問題，結合RAG通過“檢索外部知識+增強模型生成”的範式，作為大模型的“外置知識庫”有效緩解上述痛點，無需重新訓練即可動態整合最新領域知識，顯著提升回答準確性與可信度。 然而，傳統 RAG 系統在處理大規模知識庫時存在顯著侷限：全局檢索模式

AIGC二三事 , 聚類 , 人工智能 , 深度學習 , RAG , K-Means++

收藏 評論

u_16099172 頭像

編程小天匠 - 2021年最新Java大廠面試題來襲，Java工程師必看書籍_mb5ff58fc86bda8的技術博客

面試現場：戰五渣勇闖互聯網大廠 面試官（推了推眼鏡，面無表情）：請坐。我們開始吧。 戰五渣（緊張地搓手）：好、好的！我準備好了！ 第一輪：基礎技術棧考察（Spring Boot + Web + 構建工具） 面試官：你們項目用什麼構建工具？為什麼選它？ 戰五渣：Maven！因為……公司都用這個，我也跟着用。（撓頭）

Spring Boot , JAVA , 向量數據庫 , RAG , Css , kafka , 前端開發 , HTML

收藏 評論

u_16841336 頭像

火雲大軍 - 程序員應該熟悉的概念(6)Fine-tuning和RAG

大語言模型/LLM 通常是由海量通用知識（如語法、常識、邏輯）訓練的，在面對具體場景（如醫療問診、法律文書生成）時，能力往往不足。 Fine-tuning/微調 正是為解決這一問題而生的核心技術，其本質是在預訓練模型的基礎上，用特定領域 / 任務的小數據集進一步訓練，讓模型 適配具體需求，最終輸出更精準、更貼合場景的結果。 微調（Fine-tuning）的核心定義

指尖人生 , llm , Fine tuning , 人工智能 , 深度學習 , RAG

收藏 評論

u_16213687 頭像

mob64ca141139a2 - ARM 架構簡介

Naive RAG 架構剖析 2022年底，ChatGPT 的出現讓大語言模型（LLMs）變得非常流行。差不多同一時間，一種叫做“檢索增強生成”（RAG）的技術也出現了。這個技術主要是為了解決一些大語言模型本身存在的問題，比如： 有時會“胡説八道”，也就是生成一些不準確或不真實的信息。 能處理的信息量有限，就像一個人一次只能

人工智能 , RAG , LLMs , Css , Agentic , 檢索增強生成 , 前端開發 , HTML

收藏 評論

u_17216172 頭像

數據庫知識分享者小北 - 基於 PolarDB 打造企業專屬智能問答應用，完成任務可贏取保温杯、加濕器等好禮！

企業在智能化升級的浪潮中，知識問答和智能客服的需求不斷激增。然而，傳統的 RAG 方案往往依賴外部向量庫，導致架構複雜、數據同步困難和高昂的運維成本。 本方案將基於雲原生數據庫 PolarDB 構建 RAG 智能知識系統，融合原生 IMCI 向量索引與 PolarDB for AI 能力，通過原生 SQL 調用列存向量節點和 AI 節點，無需外部向量庫，實現數據與知識的閉環

MySQL , AI , 阿里雲 , 數據庫 , RAG , PolarDB

收藏 評論

u_15812686 頭像

freeAngus - 文本向量模型技術報告

embedding模型評測榜單 https://huggingface.co/spaces/mteb/leaderboard 0. 摘要 本報告基於 2025 年主流開源與商用向量模型（BGE-M3、Qwen3-Embedding、Jina-v3/v4）的公開資料、MTEB/MLRB 評測結果與內部復現實驗，系統梳理了：

多任務 , M3 , embedding , RAG , Css , 模態 , 前端開發 , HTML

收藏 評論

u_16700356 頭像

mofcloud - AI 時代的 FinOps：工作流、RAG、AI Agent 與 Agentic AI 指南

一位兼具 FinOps 思維的 CPO，正在讓創新與成本效率保持平衡 人工智能正在重塑產品構建方式，但它也帶來了新的成本複雜性 —— 即便是經驗豐富的雲團隊也可能被它打得措手不及。 炫酷的 AI 功能”必須和“雲預算”保持溝通。 從 FinOps 視角拆解四類快速演進的 AI 架構： LLM Workflows（大模型工作流） R

Agentic AI , 雲計算 , AI , 雲原生 , RAG , AI Agent , 工作流

收藏 評論

u_56701 頭像

hackernew - 提示詞（prompt）工程指南（一）：提示介紹_mb618b7a3518a5a的技術博客

寫在前面：要想做一個比較好RAG系統，我認為還是在數據收集和清洗上下一點功夫。因為要想檢索有效 - 你能提供給模型更有價值的信息。現有chunk的方法有很多，但是我試了很多種（包括一些基於大量規則的），最後發現很難適配多樣化的數據集（針對不同來源，比如論文、內部資料）。 基於這個思路，我想的是讓LLM本身來切分文檔。優點

oracle , 數據庫 , 後端開發 , 深度學習 , RAG , prompt , Python

收藏 評論