AI资讯新闻榜单内容搜索-RAG

关键词: RAG,AI,RAGChecker,RAG诊断工具,检索增强

检索增强生成（Retrieval-Augmented Generation, RAG）技术正在彻底革新 AI 应用领域，通过将外部知识库和 LLM 内部知识的无缝整合，大幅提升了 AI 系统的准确性和可靠性。然而，随着 RAG 系统在各行各业的广泛部署，其评估和优化面临着重大挑战

关键词: 月之暗面,Zilliz,RAG,模型训练

关于长文本和 RAG 到底如何选择，一直有争论，从基模公司到应用开发者。 今天这篇文章，是来自基模公司月之暗面和中间层 Zilliz 的技术对话，值得一看。

关键词: 模型训练,AI,延迟交互模型,RAG

在 RAG 系统开发中，良好的 Reranker 模型处于必不可少的环节，也总是被拿来放到各类评测当中，这是因为以向量搜索为代表的查询，会面临命中率低的问题，因此需要高级的 Reranker 模型来补救，这样就构成了以向量搜索为粗筛，以 Reranker 模型作精排的两阶段排序架构。

关键词: RAG,高效应用指南,05：再谈文档智能解析

在这篇文章中，笔者将讨论以下几个问题： • 什么是文档智能解析 • 文档智能解析有哪些方法 • 文档智能解析的开源实现

关键词: 语义路由,AI,RAG,搜索增强,LLM,模型训练

在这篇文章中，笔者将讨论以下几个问题： • 什么是语义路由 • RAG 路由的不同场景

关键词: AI,RAG,搜索增强,LLM,Query,模型训练

在这篇文章中，笔者将讨论以下几个问题： • 为什么要进行 query 理解 • query 理解有哪些技术（从 RAG 角度） • 各种 query 理解技术的实现（基于 LangChain）

关键词: RAG,Embedding,微调,模型训练,AI

在本篇文章中，笔者将讨论以下几个问题： • 向量模型在 RAG 系统中的作用 有哪些性能不错的向量模型（从 RAG 角度） 不同向量模型的评测基准 MTEB 业务中选择向量模型有哪些考量 如何 Finetune 向量模型

关键词: AI,RAG,搜索增强,LLM,Meta AI,模型训练

『RAG 高效应用指南』系列将就如何提高 RAG 系统性能进行深入探讨，提供一系列具体的方法和建议。同时读者也需要记住，提高 RAG 系统性能是一个持续的过程，需要不断地评估、优化和迭代。

关键词: GraphRAG,AI,生成式AI,RAG,知识库

LLM 很强大，但也存在一些明显缺点，比如幻觉问题、可解释性差、抓不住问题重点、隐私和安全问题等。检索增强式生成（RAG）可大幅提升 LLM 的生成质量和结果有用性。

关键词: RAG,AI,大模型,搜索增强

随着人工智能和大型模型技术的迅猛发展，检索增强生成（Retrieval-Augmented Generation, RAG）已成为大型语言模型生成文本的一种主要范式。