构建RAG项目实战指南 --知识铺
大语言模型（LLMs）在应用中面临诸多挑战，主要包括领域知识的不足、信息的准确性问题以及生成虚假内容的风险。 检索增强生成（RAG）技术通过整合外部知识库等信息源，结合了传统信息检索与大语言模型的优势，为LLMs的挑战提供了创新的解决方案。 尽管RAG在许多任务中展现出卓越的性能，但……
包含标签 知识铺 的文章
配置阿里云容器镜像服务(ACR)的步骤和注意事项 --知识铺
重要 1 例如： 加速器地址：[系统分配前缀].mirror.aliyuncs.com 内容 1 { "registry-mirrors": ["<镜像加速器地址>"] } 启动Docker加速器 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56……
构建RAG应用的LlamaIndex方法 --知识铺
今天使用LlamaIndex AI框架构建一个简单的RAG应用程序，这个应用程序可以对私人文档进行上下文回答，同时这个程序还通过内存增强功能，可以基于之前的上下文进行回复。 基于LLMs的RAG概述 Retrieval-Augmented Generation（RAG）是一种先进的技术，它通过将外部知识库整合到大型语言模型……
大语言模型综述分析 --知识铺
论文题目：Large Language Models: A Survey 大语言模型综述 引言本文由著名学者Tomas Mikolov等人撰写，全面回顾和分析了大语言模型（LLMs）的发展历程、类型及其构建方法。 语言模型的发展历程 统计语言模型：早期的语言模型，基于统计学原理构建。 神经网络模型：引入神经网络技术，提高语言模型的表达……
RAG综述笔记 --知识铺
公众号文章目录综述 引入在本文中，我们将深入探讨一系列先进的技术主题，包括自然语言处理、机器学习模型的评估与优化，以及多模态学习的最新进展。这些主题不仅涵盖了理论研究，也包括了实际应用和未来发展趋势的讨论。 一、摘要（Abstract）简要概述了文章的主旨和核心观点，为读者提供了一个……
融合RAG和CoT的高效多步推理任务解决方案 --知识铺
引言 在人工智能领域，多步推理任务是解决复杂问题的关键。本文提出了一种创新的解决方案——RAT，它通过融合RAG（Retrieval-Augmented Generation）和CoT（Chain of Thought）两种技术，有效地整合了不同的思维模式，从而显著提升了推理效率和准确性。……
RAG全栈技术最新综述 --知识铺
检索增强生成（RAG）概述 检索增强生成（Retrieval-Augmented Generation, RAG）是一种结合了检索和生成的自然语言处理技术，旨在通过利用外部知识数据库来增强大型语言模型（LLMs）的能力，从而解决幻觉问题和知识更新的挑战。 组成部分 检索器（Retriever）检索器是RAG系……
CoT技术提升LLMs智能 --知识铺
为大型语言模型（LLMs）提供充分思考时间的重要性 在构建提示（Prompt）时，确保大型语言模型（LLMs）有充足的时间进行推理是至关重要的。正如人类需要时间来处理和解决复杂问题一样，LLMs 也需要时间来思考以提供准确的答案。如果 LLMs 被迫快速作出反应，其输出的质量可能会受到影响。 深……
Zilliz：超越Milvus的知识铺 --知识铺
向量数据库的崛起与Milvus的优势 在人工智能和大模型技术迅猛发展的今天，向量数据库应运而生，成为处理高维数据的关键技术。以下是对向量数据库核心观点的梳理和Milvus的详细介绍。 一、向量数据库的市场前景 头部公有云厂商的商用计划 今明两年，头部公有云厂商将正式商用自己的向量数据库产……
Milvus 实战问答系统构建 --知识铺
Milvus 向量数据库 上一篇文章介绍了Milvus向量数据库安装部署，这次我们来介绍一下Milvus的应用实例。 Milvus是一款强大的向量搜索引擎，它通过相似性搜索的特性，可以广泛应用于多个领域。以下是Milvus的一些主要应用场景： 图像相似性搜索：在庞大的图像数据库中，快速检索出与查询……
