https://index.zshipu.com/geek001/tags/RAG/ Recent content in RAG on 知识铺的博客 Hugo -- gohugo.io zh-CN Wed, 02 Sep 2026 00:00:00 +0000 https://index.zshipu.com/geek001/post/20260902/TypeScript-%E5%BC%80%E5%8F%91%E8%80%85%E4%B8%BA%E4%BD%95%E6%8A%9B%E5%BC%83%E5%85%B3%E7%B3%BB%E5%9E%8B%E6%95%B0%E6%8D%AE%E5%BA%93%E8%BD%AC%E5%90%91%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1/ Wed, 02 Sep 2026 00:00:00 +0000 https://index.zshipu.com/geek001/post/20260902/TypeScript-%E5%BC%80%E5%8F%91%E8%80%85%E4%B8%BA%E4%BD%95%E6%8A%9B%E5%BC%83%E5%85%B3%E7%B3%BB%E5%9E%8B%E6%95%B0%E6%8D%AE%E5%BA%93%E8%BD%AC%E5%90%91%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1/ 查询 Alice 通过三度关系连接到 Project X 时，SQL 数据库引擎因大量表连接而卡顿。这正是 TypeScript 开发者抛弃关系型数据库转向知识图谱的直接原因。企业组织、多租户 SaaS 权限和 AI 依赖等数据本是流畅网络，却被切成规范化表格或嵌套 JSON，导致递归查询效率崩盘。 传统关系型数据库把现实世界中的丰富连接强行塞进矩形表 https://index.zshipu.com/geek001/post/20240828/RAG%E5%85%A8%E6%99%AF%E5%9B%BE%E4%BB%8E%E5%90%AF%E8%92%99%E5%88%B0%E9%AB%98%E7%BA%A736%E6%8A%80%E8%87%B3%E7%BB%88%E7%AB%A0Agentic-RAG--%E7%9F%A5%E8%AF%86%E9%93%BA/ Wed, 04 Sep 2024 10:44:57 +0000 https://index.zshipu.com/geek001/post/20240828/RAG%E5%85%A8%E6%99%AF%E5%9B%BE%E4%BB%8E%E5%90%AF%E8%92%99%E5%88%B0%E9%AB%98%E7%BA%A736%E6%8A%80%E8%87%B3%E7%BB%88%E7%AB%A0Agentic-RAG--%E7%9F%A5%E8%AF%86%E9%93%BA/ 检索增强生成（Retrieval-Augmented Generation, RAG）技术，最早由Facebook在2020年的一篇论文中提出，旨在通过结合信息检索和生成模型的技术，引入外部知识库信息，以提升处理知识密集型NLP任务（如问答系统、文本摘要等）的效果。大型语言模型（LLMs）虽展现出强大的 https://index.zshipu.com/geek001/post/20240828/%E6%9E%84%E5%BB%BARAG%E9%A1%B9%E7%9B%AE%E5%AE%9E%E6%88%98%E6%8C%87%E5%8D%97--%E7%9F%A5%E8%AF%86%E9%93%BA/ Wed, 04 Sep 2024 07:25:01 +0000 https://index.zshipu.com/geek001/post/20240828/%E6%9E%84%E5%BB%BARAG%E9%A1%B9%E7%9B%AE%E5%AE%9E%E6%88%98%E6%8C%87%E5%8D%97--%E7%9F%A5%E8%AF%86%E9%93%BA/ 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 https://index.zshipu.com/geek001/post/20240828/Qwen2%E8%BF%9B%E8%A1%8CRAG%E4%BB%A3%E7%A0%81%E5%AE%9E%E8%B7%B5%E6%95%99%E7%A8%8B--%E7%9F%A5%E8%AF%86%E9%93%BA/ Wed, 04 Sep 2024 07:22:01 +0000 https://index.zshipu.com/geek001/post/20240828/Qwen2%E8%BF%9B%E8%A1%8CRAG%E4%BB%A3%E7%A0%81%E5%AE%9E%E8%B7%B5%E6%95%99%E7%A8%8B--%E7%9F%A5%E8%AF%86%E9%93%BA/ RAG模型测试 简介RAG（Retrieval-Augmented Generation）是一种结合了检索和生成的技术，旨在通过外部知识库增强大型语言模型的能力。它通过检索相关信息来补充模型内部知识，提高输出的准确性和相关性。 特点 可解释性：RAG模型的工作流程清晰，易于理解和解释。 低 https://index.zshipu.com/geek001/post/20240828/%E5%A6%82%E4%BD%95%E4%BB%8E0%E5%88%B01%E6%90%AD%E5%BB%BA%E4%B8%80%E4%B8%AARAG%E5%BA%94%E7%94%A8--%E7%9F%A5%E8%AF%86%E9%93%BA/ Mon, 02 Sep 2024 06:46:54 +0000 https://index.zshipu.com/geek001/post/20240828/%E5%A6%82%E4%BD%95%E4%BB%8E0%E5%88%B01%E6%90%AD%E5%BB%BA%E4%B8%80%E4%B8%AARAG%E5%BA%94%E7%94%A8--%E7%9F%A5%E8%AF%86%E9%93%BA/ RAG系统概述 RAG，即Retrieval-Augmented Generation，是一种结合了检索（Retrieval）和生成（Generation）的模型架构，用于处理复杂的自然语言处理任务。RAG系统通过检索相关信息并结合生成模型来提供准确的回答。 如何搭建RAG应用 搭建一个 https://index.zshipu.com/geek001/post/20240801/%E9%AB%98%E7%BA%A7%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90%E6%8A%80%E6%9C%AF%E5%85%A8%E9%9D%A2%E6%8C%87%E5%8D%97--%E7%9F%A5%E8%AF%86%E9%93%BA/ Tue, 20 Aug 2024 02:53:44 +0000 https://index.zshipu.com/geek001/post/20240801/%E9%AB%98%E7%BA%A7%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90%E6%8A%80%E6%9C%AF%E5%85%A8%E9%9D%A2%E6%8C%87%E5%8D%97--%E7%9F%A5%E8%AF%86%E9%93%BA/ 检索增强生成技术（RAG）概述 引言生成式人工智能（GenAI）在文本生成、文本到图像生成等领域展现出强大的能力，但同时也存在一些局限性，如幻觉倾向、数学能力不足和缺乏可解释性。为了克服这些问题，**检索增强生成（Retrieval-Augmented Generation, RAG）**技术应运而生。 R https://index.zshipu.com/geek001/post/20240801/LLM%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E5%AE%9E%E6%88%98%E4%B8%93%E8%A1%A5%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%9F%AD%E6%9D%BF%E7%9A%84RAG%E4%B8%8E%E6%8F%90%E5%8D%87%E6%90%9C%E7%B4%A2%E5%8F%AC%E5%9B%9E%E7%8E%87--%E7%9F%A5%E8%AF%86%E9%93%BA/ Tue, 20 Aug 2024 02:50:44 +0000 https://index.zshipu.com/geek001/post/20240801/LLM%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E5%AE%9E%E6%88%98%E4%B8%93%E8%A1%A5%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%9F%AD%E6%9D%BF%E7%9A%84RAG%E4%B8%8E%E6%8F%90%E5%8D%87%E6%90%9C%E7%B4%A2%E5%8F%AC%E5%9B%9E%E7%8E%87--%E7%9F%A5%E8%AF%86%E9%93%BA/ 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 https://index.zshipu.com/geek001/post/20240801/LLM%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E5%AE%9E%E6%88%98%E4%B8%93%E8%A1%A5%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%9F%AD%E6%9D%BF%E7%9A%84RAG%E6%8F%90%E5%8D%87%E6%90%9C%E7%B4%A2%E5%8F%AC%E5%9B%9E%E7%8E%87--%E7%9F%A5%E8%AF%86%E9%93%BA/ Tue, 20 Aug 2024 02:43:44 +0000 https://index.zshipu.com/geek001/post/20240801/LLM%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E5%AE%9E%E6%88%98%E4%B8%93%E8%A1%A5%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%9F%AD%E6%9D%BF%E7%9A%84RAG%E6%8F%90%E5%8D%87%E6%90%9C%E7%B4%A2%E5%8F%AC%E5%9B%9E%E7%8E%87--%E7%9F%A5%E8%AF%86%E9%93%BA/ 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 https://index.zshipu.com/geek001/post/20240801/RAG%E5%88%86%E6%9E%90Part1%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90%E7%9A%84%E4%B8%8D%E8%B6%B3--%E7%9F%A5%E8%AF%86%E9%93%BA/ Mon, 19 Aug 2024 10:12:57 +0000 https://index.zshipu.com/geek001/post/20240801/RAG%E5%88%86%E6%9E%90Part1%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90%E7%9A%84%E4%B8%8D%E8%B6%B3--%E7%9F%A5%E8%AF%86%E9%93%BA/ 最近，大型语言模型（LLM）的兴起引发了人们对RAG系统的浓厚兴趣。许多从业人员都渴望了解RAG如何为自己的组织带来益处，一些企业已经发布了基于RAG的服务。本文将探讨RAG系统的一些局限性。 从语义检索开始 首先做个实验。下面的代码比较了查询内容与一系列语句的余弦相似度得分。它使用 https://index.zshipu.com/geek001/post/20240801/RAG%E5%BC%80%E5%B1%B1%E4%B9%8B%E4%BD%9C%E7%9F%A5%E8%AF%86%E5%AF%86%E9%9B%86%E5%9E%8BNLP%E4%BB%BB%E5%8A%A1%E6%96%B0%E8%A7%A3%E6%B3%95--%E7%9F%A5%E8%AF%86%E9%93%BA/ Mon, 19 Aug 2024 10:09:57 +0000 https://index.zshipu.com/geek001/post/20240801/RAG%E5%BC%80%E5%B1%B1%E4%B9%8B%E4%BD%9C%E7%9F%A5%E8%AF%86%E5%AF%86%E9%9B%86%E5%9E%8BNLP%E4%BB%BB%E5%8A%A1%E6%96%B0%E8%A7%A3%E6%B3%95--%E7%9F%A5%E8%AF%86%E9%93%BA/ 检索增强生成（RAG）综述 1. 简介检索增强生成（RAG）是一种先进的自然语言处理（NLP）技术，它将预训练语言模型与检索机制相结合，以增强模型对知识的访问和操作能力。 2. 核心概念 预训练语言模型：利用大量文本数据预训练的模型，能够捕捉语言的复杂特征。 检索机制：通过检索与问题相关的信息， https://index.zshipu.com/geek001/post/20240801/%E5%88%A9%E7%94%A8RAG%E6%8F%90%E5%8D%87%E5%AE%A2%E6%88%B7%E6%8A%80%E6%9C%AF%E6%94%AF%E6%8C%81%E5%93%8D%E5%BA%94%E6%97%B6%E9%97%B4--%E7%9F%A5%E8%AF%86%E9%93%BA/ Mon, 19 Aug 2024 10:07:57 +0000 https://index.zshipu.com/geek001/post/20240801/%E5%88%A9%E7%94%A8RAG%E6%8F%90%E5%8D%87%E5%AE%A2%E6%88%B7%E6%8A%80%E6%9C%AF%E6%94%AF%E6%8C%81%E5%93%8D%E5%BA%94%E6%97%B6%E9%97%B4--%E7%9F%A5%E8%AF%86%E9%93%BA/ 利用RAG与知识图谱提升客户技术支持响应时间 发布时间：2024年04月26日 摘要本篇文章探讨了如何通过结合检索增强生成（RAG）和知识图谱（KG）的方法，显著提升客户技术支持的响应时间。通过构建知识图谱保留问题间的内在联系和结构信息，我们的方法在关键检索和文本生成指标上均取得了显 https://index.zshipu.com/geek001/post/20240801/RAG-%E4%B8%8E-LLMs-%E7%BB%93%E5%90%88%E7%BB%BC%E8%BF%B0--%E7%9F%A5%E8%AF%86%E9%93%BA/ Mon, 19 Aug 2024 10:05:57 +0000 https://index.zshipu.com/geek001/post/20240801/RAG-%E4%B8%8E-LLMs-%E7%BB%93%E5%90%88%E7%BB%BC%E8%BF%B0--%E7%9F%A5%E8%AF%86%E9%93%BA/ 检索增强生成技术（RAG）与大型语言模型（LLMs）综述 摘要作为人工智能领域的一项先进技术，检索增强生成（RAG）技术能够提供可靠且最新的外部知识，极大地便利了多种任务的执行。在人工智能生成内容（AIGC）时代，RAG技术通过其强大的检索能力，为现有的生成型AI提供了额外的知识支 https://index.zshipu.com/geek001/post/20240801/RAG%E4%B8%8EText2SQL%E6%8A%80%E6%9C%AF%E5%9C%A8%E5%8C%BB%E7%96%97%E9%97%AE%E7%AD%94%E9%A2%86%E5%9F%9F%E7%9A%84%E5%BA%94%E7%94%A8--%E7%9F%A5%E8%AF%86%E9%93%BA/ Mon, 19 Aug 2024 10:03:57 +0000 https://index.zshipu.com/geek001/post/20240801/RAG%E4%B8%8EText2SQL%E6%8A%80%E6%9C%AF%E5%9C%A8%E5%8C%BB%E7%96%97%E9%97%AE%E7%AD%94%E9%A2%86%E5%9F%9F%E7%9A%84%E5%BA%94%E7%94%A8--%E7%9F%A5%E8%AF%86%E9%93%BA/ 在现实世界中，电子健康记录（EHR）和索赔数据是医疗信息的宝贵来源，它们记录了患者的健康状况和医疗利用情况。然而，要使用这些数据回答流行病学问题，我们必须面对医学术语的复杂性以及编写复杂SQL查询的需求。为了解决这一挑战，我们提出了一种创新的解决方案，该方案整合了文本到SQL的生 https://index.zshipu.com/geek001/post/20240801/%E4%BB%8ERAG%E5%88%B0GraphRAG%E5%9F%BA%E4%BA%8E%E5%9B%BE%E7%9A%84%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90AI%E6%8A%80%E6%9C%AF--%E7%9F%A5%E8%AF%86%E9%93%BA/ Mon, 19 Aug 2024 09:59:57 +0000 https://index.zshipu.com/geek001/post/20240801/%E4%BB%8ERAG%E5%88%B0GraphRAG%E5%9F%BA%E4%BA%8E%E5%9B%BE%E7%9A%84%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90AI%E6%8A%80%E6%9C%AF--%E7%9F%A5%E8%AF%86%E9%93%BA/ [ 自然语言处理中的RAG模型及其演变 引言近年来，自然语言处理（NLP）领域在**检索增强生成（RAG）**模型方面取得了显著进展。RAG模型通过利用外部知识源，显著提升了语言模型的性能。 RAG模型的诞生背景在信息更新迅速的时代，传统的语言模型需要频繁更新以保持信息的时效性。例如， https://index.zshipu.com/geek001/post/20240801/Milvus-%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E8%BF%9B%E9%98%B6%E7%B3%BB%E5%88%97%E4%B8%A8%E6%9E%84%E5%BB%BA-RAG-%E5%A4%9A%E7%A7%9F%E6%88%B7%E5%A4%9A%E7%94%A8%E6%88%B7%E7%B3%BB%E7%BB%9F-%E4%B8%8A--%E7%9F%A5%E8%AF%86%E9%93%BA/ Wed, 14 Aug 2024 11:10:55 +0000 https://index.zshipu.com/geek001/post/20240801/Milvus-%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E8%BF%9B%E9%98%B6%E7%B3%BB%E5%88%97%E4%B8%A8%E6%9E%84%E5%BB%BA-RAG-%E5%A4%9A%E7%A7%9F%E6%88%B7%E5%A4%9A%E7%94%A8%E6%88%B7%E7%B3%BB%E7%BB%9F-%E4%B8%8A--%E7%9F%A5%E8%AF%86%E9%93%BA/ 专栏/ Milvus 向量数据库进阶系列丨构建 RAG 多租户/多用户系统 (上） 2024年08月05日 18:35214浏览 · 1点赞 · 0评论 [ Milvus向量数据库进阶系列 在与社区成员的交流过程中，我们了解到大家最为关切的是如何针对具体的实战场景选择合适的向量数据库解决方案或功能组合。因此，在&quot https://index.zshipu.com/geek001/post/20240730/Java%E4%BB%8E0%E5%88%B01%E6%9E%84%E5%BB%BA%E5%9F%BA%E4%BA%8EChatGPT+%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E7%9A%84%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90%E6%A8%A1%E5%9E%8BRAG-02--%E7%9F%A5%E8%AF%86%E9%93%BA/ Tue, 06 Aug 2024 06:12:54 +0000 https://index.zshipu.com/geek001/post/20240730/Java%E4%BB%8E0%E5%88%B01%E6%9E%84%E5%BB%BA%E5%9F%BA%E4%BA%8EChatGPT+%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E5%BA%93%E7%9A%84%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%94%9F%E6%88%90%E6%A8%A1%E5%9E%8BRAG-02--%E7%9F%A5%E8%AF%86%E9%93%BA/ Java程序员的问答知识库搭建教程（第二篇） 本文是系列教程的第二篇，旨在指导Java程序员如何结合ChatGPT和向量数据库，快速构建一个私有的问答知识库。这个知识库基于检索增强生成模型RAG，让读者能够通过本教程，一步步实现自己的AI机器人。 前言本系列教程分为三篇文章，本文将重