|
- 一文读懂：大模型RAG（检索增强生成）含高级方法
RAG 管道的关键部分是搜索索引，它存储了在上一步中获得的向量化内容。 最原始的实现是使用平面索引 — 查询向量和所有块向量之间的暴力计算距离。 为了实现1w+元素规模的高效检索，搜索索引 应该采用 向量索引，比如 faiss 、 nmslib 以及 annoy。
- 检索增强生成（RAG）有什么好的优化方案？ - 知乎
RAG优化分为两个方向：RAG基础功能优化、RAG架构优化。 我们分别展开讨论。 一、RAG基础功能优化 对RAG的基础功能优化，我们要从RAG的流程入手 [1]，可以在每个阶段做相应的场景优化。
- RAG是什么？ - 知乎
然而用户的实际需求和数据是多样的，导致通用RAG在实践中仍面临多重挑战，如检索信息缺失、复杂PDF解析困难、无法提取特定内容、格式处理不佳、统计类问答能力缺失等。 这些问题削弱了RAG在实际场景中的精度与可信度，亟需通过技术创新与优化进行解决。中国联通发挥其丰富业务场景和广泛
- GraphRAG：知识图谱+大模型
Graph RAG是一种基于知识图谱的 检索增强技术，通过构建图模型的知识表达，将实体和关系之间的联系用图的形式进行展示，然后利用大语言模型 LLM进行检索增强。 Graph RAG 将知识图谱等价于一个超大规模的词汇表，而实体和关系则对应于单词。
- 如果构建行业垂直大模型，到底是用RAG还是微调？ - 知乎
RAG检索能力 (Retrieval Ablation Study)实验评估了RAG的检索能力。 结果表明，当检索3个相关片段时，召回率可达80%以上。 即使文档数量增加，RAG仍能以75%以上的召回率检索相关内容。 模型微调 (Fine-tuning)实验对比了微调模型和基模型在农业领域的表现。
- 如何在不微调的情况下提高 RAG 的准确性？ - 知乎
3、推测型RAG（Speculative RAG） 推测型RAG通过并行生成多个草稿并采用验证模型，提升生成效率和质量，提高了生成速度并保持较高的准确性，特别适用于需要快速生成内容的应用场景。
- 大模型检索增强生成（RAG）有哪些好用的技巧？ - 知乎
最近在研究公司内部的GPT应用，采用的是H2oGPT的开源项目的基础上进行封装，可以指定公司内部文档，采用的 检索增强生成（RAG）技术，研究团队所有的技术路线以及部分技术的交流后，来谈一谈检索增强生成（RAG）及其工业级实际落地方案。
- 如何利用RAG系统提高财务文档分析的准确性和效率？ - 知乎
可以参考 这篇文章 （包含代码）：主要介绍了一种基于检索增强生成（RAG）系统的财务助手，用于查询10-K报告。 文章详细描述了系统的工作流程，包括创建提示模板、初始化语言模型（LLM）、设置检索和生成流水线、测试和确保准确性等步骤。
|
|
|