蚂蚁开源Graph RAG框架设计解读 -- 知识铺
检索增强生成技术（RAG）概述 1. 背景与意义检索增强生成（Retrieval Augmented Generation，简称RAG）技术是一种结合信息检索与大型语言模型的创新方法。该技术致力于解决大型模型在推理过程中可能出现的不准确问题，即所谓的“幻觉”问题。 2. 技术原理RAG技术的核心在于利用知识库来……
利用元数据过滤、Hybrid Search、Agent等功能提升您的RAG应用 -- 知识铺
检索增强生成（RAG） 概述检索增强生成（Retrieval Augmented Generation，简称 RAG）是一种技术，它通过整合外部数据源来增强大型语言模型（LLM）的能力。RAG 技术的核心应用流程包括索引创建和检索生成两个主要步骤。 索引流程 数据获取：从各种数据源中获取所需数据。 数据索引：在……
LLM大模型技术实战：专补大模型短板的RAG与提升搜索召回率 -- 知识铺
大型语言模型在实际业务中的应用挑战 引言大型语言模型（LLMs）因其出色的多功能性和智能化，已深入我们生活和工作的方方面面。然而，当应用于实际业务场景时，通用的基础大模型往往难以满足具体需求，主要原因如下： 1. 知识的局限性模型的知识库完全依赖于其训练数据，而主流大模型如ChatGPT……
PDF文档向量化详细过程 -- 知识铺
读取文件 使用的 pdf 文档是一个 地址树模型的中文地址提取方法.pdf 文档，内容截图如下： 参数说明 基本的文档处理参数如下： chunk_overlap = 50 chunk_size = 250 embed_model = 'm3e-large' vs_type = 'fassi' zh_title_enhance = False 在进行文本处理时，合理设置参数对于确保信息完整性和处理效率至关重要。以下是对几个关键参数的详细解释： 文本块重叠量 (chunk_overlap): 此参数设置为50，意味……
AI工程化体系在全链路设计研发中的应用 -- 知识铺
2024全球软件研发技术大会：AI大模型的工程化实践与未来展望 导读AI大模型技术的产品化和工程化正在成为业界的新焦点。随着AI工程化从概念验证迈向实际应用，其应用前景日益广阔。本文将从设计与研发的角度，深入分享360公司在AI工程化流程中的实践经验，并对AI工程化的未来发展方向提……
基于Milvus的语义检索系统搭建 -- 知识铺
语义检索系统构建指南 概述在构建推荐系统中，召回和排序是核心环节。本次讨论的重点是使用Milvus搭建召回系统，并通过语义索引模型抽取向量进行检索，以加速索引过程。 语义搜索系列文章概览 无监督预训练语义索引召回：介绍了SimCSE和Diffcse两种方法。 阅读更多 基于in-batch……
离线环境下Milvus安装指南 -- 知识铺
要在离线环境中安装 Milvus，您可以按照以下步骤操作： 步骤 1: 下载 Docker 镜像 在联网的机器上，首先需要下载 Milvus 的 Docker 镜像。您可以通过访问 Docker Hub 或 Milvus 官方镜像库来获取。以 Milvus 2.4.5 版本为例，您可以使用如下命令进行下载： docker pull milvusdb/milvus:2.4.5 步骤 2: 准备配置文件 下载所需的配置文件，这些文件通常可以在 Milvus 的官方文档或 GitHub 仓库中……
提升RAG系统回答质量的策略 -- 知识铺
在RAG系统中，通过精心设计的提示词（Prompt）可以显著提升大模型输出的准确性和相关性。以下是对如何构建高效Prompt的详细阐述： Prompt的重要性在RAG系统中，有效的Prompt是确保大模型输出精准答案的关键。它不仅帮助模型理解用户的问题，还整合检索信息，提高回答的精……
CentOS7系统下Python3.8安装指南 -- 知识铺
环境的搭建是进行开发的第一步，python因为存在python2和python3两个版本，让在建立python环境时造成不便，并且由于在Linux环境下不像Window环境安装那么友好，存在一些小坑。本教程记录了CentOS7下安装python3.8的过程和注意事项。 一、查看系统……
LLM大模型技术实战：专补大模型短板的RAG提升搜索召回率 -- 知识铺
大型语言模型在实际业务中的应用挑战 引言大型语言模型（LLMs）以其多功能性和智能化，正在改变我们与信息互动的方式。然而，在实际业务场景中，通用的基础大模型面临一些挑战，主要表现在以下几个方面： 知识局限性 模型的知识来源于训练数据，而主流大模型的训练集通常基于网络公开数据。 对于实时性……
