|
- 一文读懂：大模型RAG（检索增强生成）含高级方法 - 知乎
最近推出的课程 构建和评估高级 RAG 中，以及 LlamaIndex 和评估框架 Truelens ，他们提出了RAG 三元组评估模式 — 分别是对问题的检索内容相关性、答案的基于性（即大语言模型的答案在多大程度上被提供的上下文的支持）和答案对问题的相关性。
- RAG-检索增强生成从入门到实战，看这一篇就够了 - 知乎
基于RAG的知识问答：包括用户query嵌入、召回、排序、拼接文档、构建context、基于query和context构建prompt、将prompt喂给大模型生成答案。 RAG的工作原理 问题理解和检索阶段 ：RAG模型接收到用户的问题或请求后，利用检索模块从预定义的知识库或文档集合中找到与
- 大模型时代，目前开源的RAG检索增强框架有哪些？ - 知乎
RAG评估的两种类型：检索评估和生成评估，下面的每个策略将被标记为检索评估、生成评估或两者。 如果没有真实数据，如何评价 RAG？ 基于相似度阈值判断 类型：检索评估 如果正在使用像 Pinecone 这样的矢量数据库，可能熟悉矢量相似度的概念。
- RAG是什么？ - 知乎
基于此，大模型的RAG（Retrieval-Augmented Generation，检索增强生成）技术迅速崛起，成为有效破解这一难题的主流解决方案。 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
- 检索增强生成（RAG）有什么好的优化方案？ - 知乎
RAG之前先做query分类 不是每个query需要召回增强，有些可以直接用大模型回答，例如摘要、续写、翻译等。query分类的目的是过滤和分流，把需要RAG的query送入RAG，把不需要RAG的query直接送入大模型。
- GraphRAG：知识图谱+大模型 - 知乎
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。
- 如何在不微调的情况下提高 RAG 的准确性？ - 知乎
模块化 rag 集成了各种方法来增强 rag 的不同组件，例如在检索器中整合搜索模块进行相似度检索并应用微调方法 rag 融合 rag 融合结合了 2 种方法： 多查询检索 利用 llm 从不同角度为给定的用户输入查询生成多个查询，这对于解决具有多个子问题的复杂问题很
- 大家觉得做一个大模型检索增强生成（RAG）系统，最难搞定的是那部分工作？ - 知乎
rag技术的重要性：rag通过结合llms的生成能力和外部数据检索来提高回答的准确性，但在处理长文本和噪声信息时仍面临挑战。 现有RAG方法的局限性 ：现有RAG方法忽视了系统状态变量的引入，这些变量对于确保自适应控制、检索停止和系统收敛至关重要。
|
|
|