RAG幻觉

企业级RAG的数据方案选择 - 向量数据库、图数据库和知识图谱

如何为企业RAG选择合适的数据存储方式摘要:本文讨论了矢量数据库、图数据库和知识图谱在解决信息检索挑战方面的重要性，特别是针对企业规模的检索增强生成（RAG）。

南七小僧·2025-07-29 17:02

自恋幻觉的ABC

自恋幻觉的ABC投射性认同是一种孤独的游戏，沉浸在这种游戏中的人，会比一般人更加渴望建立亲密关系，但他们在亲密关系中看不到对方的真实存在，只关注对方是否如自己所愿，按照自己所渴望的方式对待自己。

李涛25班·2025-07-29 14:09

Langchain学习笔记(十)：文档加载与处理详解

无论是构建RAG（检索增强生成）系统，还是进行知识库问答，我们都需要将各种格式的文档转换为模型可以理解和处理的形式。Langchain提供了强大的文档加载和处理功能，支持多种文件格式，并提

·2025-07-29 12:28

基于知识图谱技术增强大模型RAG知识库应用效果

【摘要】本文是AI落地实践的优秀案例，利用RAG技术（Retrieval-AugmentedGeneration，检索增强生成）的知识库实践为背景，介绍了RAG技术的发展及存在的不足，以及知识图谱相关的知识

罗伯特之技术屋·2025-07-29 11:50

构建高效 RAG 流程的七个关键点及其落地实践

人工智能应用浪潮中，检索增强生成（RAG）技术凭借着结合大型语言模型（LLMs）的生成能力和信息检索系统的独特优势，成为了各企业挖掘数据价值、提升业务智能化水平的关键手段之一。

charles666666·2025-07-29 10:43

【速通RAG实战：进阶】16、AI生成思维导图全技术解析

一、AI生成思维导图的底层技术逻辑（一）知识结构化的核心流程AI生成思维导图的本质是非结构化文本到结构化知识图谱的转化，其技术流程可拆解为五大核心环节：1.语义解析与实体抽取多模态输入处理：支持文本（Markdown/Word/PDF）、语音（会议录音）、手写笔记（图片OCR）等多形式输入，通过TesseractOCR识别图片文字，Whisper处理语音流。实体识别技术栈：#中英文混合实体识别示例

无心水·2025-07-29 07:24

RAG流程中，要怎么对文本进行拆词？

在RAG（Retrieval-AugmentedGeneration）流程中，对文本的拆词（Tokenization）是影响检索和生成效果的关键步骤。

java干货仓库·2025-07-29 03:25

RAGFlow 框架调研报告

RAGFlow框架调研报告1.概述RAGFlow是一个开源的检索增强生成（RAG）框架，专注于深度文档理解和高精度检索。

it_czz·2025-07-29 03:24

《庸医》

坚持分享第404天（原创总第572天2018年6月30日星期六）这两天晚上睡觉的时候总产生幻觉，到了后半夜还是听见有微弱的嘀嗒声响，屏息静静的听着，也不知道是外面空调水在滴，还是什么声音？

红云_杨柳清风·2025-07-28 20:58

Java中的模型API、RAG与向量数据库：构建智能应用的新范式

本文将深入探讨模型API、检索增强生成(RAG)和向量数据库这三种关键技术，以及它们如何协同工作来提升Java应用的智能化水平。

张道宁·2025-07-28 15:23

Java AI面试实战：Spring AI与RAG技术落地

JavaAI面试实战：SpringAI与RAG技术落地面试现场：AI技术终面室面试官：谢飞机同学，今天我们聚焦JavaAI应用开发，重点考察SpringAI和RAG技术栈。谢飞机：（兴奋地）面试官好！

GEM的左耳返·2025-07-28 15:23

RAG 技术落地：从文档处理到模型输出，细节决定大模型应用效果

RAG技术落地：从文档处理到模型输出，细节决定大模型应用效果基于经典的RAG（检索增强生成）流程，我们能快速搭建大模型相关应用，但实际落地中，细节把控直接决定应用效果能否达到上线标准。

·2025-07-28 15:46

打造专属知识库：手把手教你构建RAG系统

RAG通常指的是"Retrieval-AugmentedGeneration"，即“检索增强的生成”。

·2025-07-28 13:31

大语言模型 LLM 通过 Excel 知识库增强日志分析，根因分析能力的技术方案（1）：总体介绍

文章大纲1.核心目标2.系统总体架构3.GoogleCloud端到端方案（含无RAG&RAG双模式）3.1无RAG：Function-Calling查表模式3.2RAG：托管式向量检索4.开源轻量级方案

shiter·2025-07-27 16:05

RAG面试内容整理-1. 检索增强生成（RAG）概述与意义

检索增强生成（Retrieval-AugmentedGeneration,RAG）是一种将大语言模型与外部知识库相结合的生成式AI架构。

不务正业的猿·2025-07-27 14:18

大模型幻觉问题解决：AI原生应用提升回答准确性的方法

大模型幻觉问题解决：AI原生应用提升回答准确性的方法!

AI算力网络与通信·2025-07-27 12:37

RAG 技术深度面试题：架构、优化与实践应用

1.RAG基础架构设计问题：对比单阶段检索（Single-stageRetrieval）与两阶段检索（Two-stageRetrieval）在RAG系统中的架构差异，说明在企业知识库场景下为何优先选择两阶段检索

居7然·2025-07-27 12:06

生成式引擎优化（GEO）：AI携手迈向搜索引擎智能新时代

生成式引擎优化（GEO）作为连接内容生产与AI理解的桥梁，通过三大技术支柱重塑搜索生态：检索增强生成（RAG）架构夸克平台采用自研Qwen推理模型构建向量数据库，实现分钟级知识图谱更新。

GEO优化助手·2025-07-26 20:58

「大模型应用」(2)RAG的检索与rerank

0.基础内容我们先来介绍几种检索方式，在RAG（Retrieval-AugmentedGeneration，检索增强生成）框架中，稀疏检索器（SparseRetriever）和密集检索器（DenseRetriever

木楚子·2025-07-26 19:56

RAG、Function Call、MCP技术笔记

RAG（检索增强生成）RAG本质上是为大模型外接一个动态知识库。当模型需要回答问题时，先从知识库中检索相关信息，再结合检索结果生成答案。

大佐不会说日语～·2025-07-26 19:49

RAG面试内容整理-3. 向量检索原理与常用库（ANN、FAISS、Milvus 等）

不务正业的猿·2025-07-26 17:04

大模型的安全风险全解：Prompt Injection、信息泄露与幻觉问题

但当你把它真正嵌入产品，尤其是企业级应用时，三个问题就像幽灵一样悄悄飘来：PromptInjection（提示注入攻击）️‍♂️信息泄露（SensitiveLeakage）幻觉现象（Hallucination

代码AI弗森·2025-07-26 15:25

LightRAG进阶：跨域知识库构建与Agent协同推理实战

目录一、架构演进：从单域RAG到跨域智能体协同二、跨域知识库构建实战（四步落地）步骤1：异构数据联邦接入步骤2：增量更新热加载机制三、Agent协同推理引擎（工业级代码）核心Agent结构（TypeScript

·2025-07-26 09:10

告别传统搜索：基于AI的知识库构建全流程解析

的知识库构建全流程解析1.标题(Title)以下是5个吸引人的标题选项，涵盖核心关键词"AI知识库"、“全流程”、“告别传统搜索”：从零到一：构建你的AI驱动知识库，让信息检索迈入智能时代告别关键词依赖：基于RAG

AI量化价值投资入门到精通·2025-07-26 07:58

信用卡学习笔记

中国的信用卡业务呈现出一个特征：传统的银行信用卡业务滞后，而网络信用卡的工具发达；3.这些网络信用工具本质上就是信用卡，只是从有形的卡片换成了虚拟卡片；4.在科学合理地利用信用卡的过程中，你要注意克服自己的利率幻觉

成长的周周·2025-07-26 04:50

RAG实战指南 Day 24：上下文构建与提示工程

【RAG实战指南Day24】上下文构建与提示工程文章内容开篇欢迎来到"RAG实战指南"系列的第24天！今天我们将深入探讨RAG系统中至关重要的上下文构建与提示工程技术。

·2025-07-25 18:00

Python 解析 RAG（检索增强生成）的核心概念

```htmlPython解析RAG（检索增强生成）的核心概念Python解析RAG（检索增强生成）的核心概念RAG（Retrieval-AugmentedGeneration，检索增强生成）是一种结合了检索和生成能力的模型架构

产品挨打师·2025-07-25 13:55

Python----大模型（ langchain部署简单rag应用）

一、RetrievalQA链实现加载本地文本文件并分割处理使用嵌入模型将文本转换为向量表示构建向量数据库(FAISS)实现高效相似性检索结合检索结果和大语言模型生成回答特点说明优势体现模块化封装LangChain提供标准化组件快速搭建原型系统自动化流程内置文档处理、检索、生成流水线减少开发工作量中文优化使用bge-zh嵌入模型中文语义理解更准确本地化部署模型和API均在本地运行数据隐私有保障导入依

蹦蹦跳跳真可爱589·2025-07-25 09:35

Python----大模型（ RAG的向量化（embedding））

在RAG中，通常会使用预训练的Transformer模型（如BERT、RoBERTa等）将文本表示为高维的向量。这些向量能够捕捉到数据的语义信息，从而在向量空间中表示相似性。

蹦蹦跳跳真可爱589·2025-07-25 09:05

2023-10-25

测验中，他们坐在山顶上，不吃不喝，等待由于饥饿产生的幻觉出现。幻觉中将出现一个人，这个人带来了来自精神世界的预言，这些预言能指导孩子们的生活。当孩子们孤零零地在山

秋文新生小广·2025-07-25 04:51

【RAG优化】RAG应用中图文表格混合内容的终极检索与生成策略

1.引言：超越纯文本，RAG的“富文本”挑战传统的RAG应用大多将文档视为纯文本流。

kakaZhui·2025-07-25 00:18

构建RAG智能体(3)：处理大型文档

在这一篇文章中，我们将探讨如何将大型文档，如PDF或YouTube视频，融入到我们的大语言模型（LLM）上下文中。我们将学习如何使用文档加载器和分块技术来处理因上下文空间有限而带来的问题。通过逐步对文档块进行重新情境化、强制转换和整合，我们将构建一个能够与大型文档进行有效对话和推理的系统。文章目录1与文档对话2加载文档3转换文档4优化摘要5综合数据处理6总结1与文档对话传统的聊天模型需要大量时间在

tilblackout·2025-07-24 20:58

构建RAG智能体(5)：语义护栏之过滤无用信息

本篇文章我们将深入探讨语义护栏(SemanticGuardrailing)，即如何利用嵌入模型作为语言骨干，并在此基础上训练一个分类器，以有效过滤掉对聊天机器人无益甚至有害的信息。本文将详细阐述这种方法相对于传统自回归引导过滤的优势，并通过生成合成数据的实际任务，展示了构建语义护栏的具体步骤。文章目录1引言2.利用嵌入模型构建语义护栏2.1相对于自回归引导过滤的优势2.2生成合成数据2.3更快地生

tilblackout·2025-07-24 20:27

AI 搜索引擎：让信息“长脑子”而不是“堆数据”

随着大模型（LLM）与检索增强生成（RAG）技术的成熟，搜索引擎正在从“索引”走向“理解”——这就是AI搜索引擎。它们不仅能联网找资料，还能在毫秒之间阅读、归纳、推理，并给出带引用的完整回答。

·2025-07-24 15:27

RAG四件套全解析：模型×向量库×检索×排序，一文打通落地闭环

1.RAG不是拼乐高，是系统工程企业做AI落地，最常踩的第一个坑，就是把RAG当成“插件式”功能来组装。上传文档，调个API，再连个大模型——三步走完，结果问“报销流程”出来的是“团建通知”。

TGITCIC·2025-07-24 15:27

如何面试AI产品经理职位？

以下是系统分析及准备建议：一、AI产品经理核心职责技术桥梁：将业务需求转化为技术方案（如LLM优化、推荐系统设计）全链路管理：主导AI产品从需求分析、模型选型、效果验证到上线的全流程风险控制：识别并解决模型偏见、幻觉

·2025-07-24 15:56

RAG 助力教育个性化：重塑学习体验的科技引擎

一、引言1.1研究背景与动机随着自然语言处理（NLP）技术的飞速发展，大语言模型（LLM）在众多任务中展现出了强大的能力，如文本生成、问答系统和机器翻译等。然而，传统的大语言模型在知识存储和更新方面存在一定的局限性。一方面，模型的知识主要依赖于预训练阶段所接触的数据，这导致其知识更新滞后，难以应对快速变化的现实世界信息。例如，对于一些新出现的事件、技术或研究成果，模型可能无法及时给出准确的信息。另

hy098543·2025-07-24 00:18

我的这一年

不要幻觉自己在“学习

老普洱·2025-07-23 14:52

医疗AI应用中的幻觉缓解：案例与经验

——幻觉缓解的案例与经验关键词：医疗AI、幻觉现象、大语言模型、知识Grounding、多模态验证、临床安全、可解释性摘要：医疗AI（如大语言模型、辅助诊断系统）在提升医疗效率的同时，“幻觉”（生成不符合事实的医疗建议

AI天才研究院·2025-07-23 12:27

RAG实战指南 Day 21：检索前处理与查询重写技术

【RAG实战指南Day21】检索前处理与查询重写技术开篇欢迎来到"RAG实战指南"系列的第21天！今天我们将深入探讨RAG系统中检索前处理与查询重写技术的核心原理和实现方法。

在未来等你·2025-07-23 08:32

【速通RAG实战：数据库】6.RAG向量数据库原理

在RAG（检索增强生成）系统中，向量数据库扮演着至关重要的角色，它负责存储文本经过Embedding处理后的向量表示，并能高效地进行向量检索，以找出与查询向量最相似的文档。

无心水·2025-07-22 20:47

【RAG专题】如何选择合适的RAG架构？

选择适合的RAG架构需结合自身业务需求、数据特点、性能要求等因素综合判断，以下是关键考量维度及对应架构选择建议：1.按数据规模与类型选择•小规模、单一类型数据（如纯文本文档库）：适合基础单阶段检索架构（

星际棋手·2025-07-22 14:08

掌握 RAG：使用 Langchain 和 Ollama 创建本地智能应用程序

本文将介绍如何通过微调和RAG来解决这些问题。LLMs的局限性传统LLMs训练成本高昂，且只能访问公共信息。对于商业用途，需要模型能够提供基于内部知识的最新回应。

知世不是芝士·2025-07-22 07:42

AI编程实战：Cursor避坑指南与高效提示词设计

当然，AI生成内容有时会存在“幻觉”，切勿完全轻信其输出，关键信息务必自行核查验证后再投入使用。

孟柯coding·2025-07-21 23:54

关于韭菜的交易费

对于交易费李笑来在《韭菜的自我修养》中写到：“韭菜”的幻觉在于，他们用行动表明他们的坚信和坚持，他们认为自己的智商与体力，完全可以打败手续费……殊不知，“抽水”是人类史上唯一可以永续的商业模式，真

我才是Alpha呀·2025-07-21 12:36

Spring AI高级RAG功能查询重写和查询翻译

queryTransformer=RewriteQueryTransformer.builder().chatClientBuilder(openAiChatClient.mutate()).build();查询重写是RAG

非ban必选·2025-07-21 05:12

探究抑郁症

临床可见心境低落与其处境不相称，情绪的消沉可以从闷闷不乐到悲痛欲绝，自卑抑郁，甚至悲观厌世，可有自杀企图或行为；甚至发生木僵；部分病例有明显的焦虑和运动性激越；严重者可出现幻觉、妄想等精神病性症状。

抱着幸福·2025-07-21 03:29

消弭大模型幻觉

据称，其用户使用率从54%骤降至3%，主要原因直指一个词：“幻觉”。或许这个数据并未被官方证实，但这场风波却准确地揭开了一个愈发严重的隐忧：我们正在与一类能力极强、却时常“胡说八道”的系统共处。

灰图06·2025-07-20 16:43

构建企业私有RAG系统全流程：从 PDF 到智能问答的落地实践

构建企业私有RAG系统全流程：从PDF到智能问答的落地实践✅一、RAG到底是什么？为什么你现在必须了解它？RAG，全称Retrieval-AugmentedGeneration（检索增强生成）。

观熵·2025-07-20 12:16

大模型本地部署-dify私有化部署-教程

其直观的界面结合了AI工作流、RAG管道、Agent、模型管理、可观测性功能等，可以让您快速从原型到生产。二、核心功能列表1、工作流：在画布上构建和测试功能强大的AI工作流程。

·2025-07-20 11:05

推荐频道