rag

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

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

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

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

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

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

【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

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

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

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

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

【面试必背】RAG技术全面解析：从原理到实践中的20个关键问题

大家好，我是大F，深耕AI算法十余年，互联网大厂核心技术岗。知行合一，不写水文，喜欢可关注，分享AI算法干货、技术心得。【专栏介绍】：欢迎关注《大模型理论和实战》、《DeepSeek技术解析和实战》，一起探索技术的无限可能！【大模型篇】更多阅读：【大模型篇】万字长文从OpenAI到DeepSeek：大模型发展趋势及原理解读【大模型篇】目前主流AI大模型体系全解析：架构、特点与应用【大模型篇】Gro

大F的智能小课·2025-07-20 09:54

人工智能界的“黑话“大揭秘：AI新词汇速成指南

听到RAG、Agent、PromptEngineering时以为他们在说天书？别担心，今天我们就来一场AI术语的"通俗化运动"，让你轻松混入AI圈子，秒变内行人！

·2025-07-20 09:53

Synergizing RAG and Reasoning: A Systematic Review-RAG与推理能力深度结合-新方向

欢迎关v：数据分析能量站0论文小结一、研究背景与核心问题大语言模型（LLM）在处理复杂任务时面临两大瓶颈：知识局限性：纯LLM存在“知识幻觉”（编造事实）和“领域知识缺口”；推理浅度：传统检索增强生成（RAG

数据分析能量站·2025-07-19 19:05

ColQwen-Omni：RAG全模态检索来了，支持【文本|图像|视频|音频】四种模态！

还记得ColPali、ColQwen和DSE吗？这些模型开创了视觉文档检索的新范式：无需费力地从文档中提取文本进行处理，只需将文档页面视为一系列图像（屏幕截图），然后训练视觉语言模型（VLM）直接将其内容表示为向量。ColPali的实践表明，这种策略通常比其他替代方法更快、更简单，并且能带来更好的检索性能。自发布一年以来，ColPali和ColQwen系列模型已被下载数百万次，被誉为“2024年顶

致Great·2025-07-19 12:22

互联网大厂Java求职面试：基于Spring AI与云原生架构的RAG系统设计与实现

互联网大厂Java求职面试：基于SpringAI与云原生架构的RAG系统设计与实现场景背景郑薪苦，一位自称“代码界的段子手”的程序员，正在参加某互联网大厂的技术总监面试。

在未来等你·2025-07-19 12:16

【AI大模型学习路线】第三阶段之RAG与LangChain——第十六章（Advanced RAG[1]）基于历史对话重新生成Query？

【AI大模型学习路线】第三阶段之RAG与LangChain——第十六章（AdvancedRAG[1]）基于历史对话重新生成Query？

985小水博一枚呀·2025-07-12 16:20

【AI大模型学习路线】第三阶段之RAG与LangChain——第十六章（Advanced RAG[1]）其他Query优化相关策略？

【AI大模型学习路线】第三阶段之RAG与LangChain——第十六章（AdvancedRAG[1]）其他Query优化相关策略？

985小水博一枚呀·2025-07-12 16:20

使用 DeepSeek R1 和 Ollama 开发 RAG 系统使用 DeepSeek R1 和 Ollama 构建强大的 RAG 系统。了解开发智能 AI 解决方案的设置过程、最佳实践和技巧。

简介DeepSeekR1和Ollama提供了用于构建检索增强生成(RAG)系统的强大工具。本指南介绍了使用这些技术开发RAG应用程序的设置、实施和最佳实践。

知识大胖·2025-07-12 11:20

AnythingLLM教程系列之 12 AnythingLLM 上的 Ollama 与 MySQL+PostgreSQL

系列文章如何安装《无需任何代码构建自己的大模型知识库：AnythingLLM最易于使用的一体化AI应用程序，可以执行RAG、A

知识大胖·2025-07-12 11:20

AnythingLLM教程系列之 09 AnythingLLM 支持自定义音频转录提供程序

AnythingLLM是最易于使用的一体化AI应用程序，可以执行RAG、AI代理等操作，且无需任何代码或基础设施难题。

知识大胖·2025-07-12 11:50

AnythingLLM教程系列之 04 AnythingLLM 允许您以正确的格式导出聊天日志，以构建 GPT-3.5 和 OpenAI 上其他可用模型的微调模型（教程含安装步骤）

AnythingLLM是最易于使用的一体化AI应用程序，可以执行RAG、AI代理等操作，且无需任何代码或基础设施难题。

知识大胖·2025-07-12 11:20

2025年的RAG技术发展趋势与演进

本文将分享作为大模型应用创业者的经历与观察，讨论RAG技术和市场环境在2024年的变化。

码农Q！·2025-07-12 10:36

超越RAG的搜索革命！分层框架让AI像专家团队一样深度思考

❝一句话概括：与其训练一个越来越大的“六边形战士”AI，不如组建一个各有所长的“复仇者联盟”，这篇论文就是那本“联盟组建手册”。（原论文题目见文末，点击阅读原文可直接跳转至原文链接，Publishedonarxivon03Jul2025,byRenminUniversityofChina）*第一阶段：核心思想概览**论文的动机*在面对“未来的家庭娱乐会是什么样？”或“结合最新的财报和市场趋势，分析

Python_金钱豹·2025-07-12 01:38

推荐频道

rag

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

Langchain学习笔记(十)：文档加载与处理详解

基于知识图谱技术增强大模型RAG知识库应用效果

构建高效 RAG 流程的七个关键点及其落地实践

【速通RAG实战：进阶】16、AI生成思维导图全技术解析

RAG流程中，要怎么对文本进行拆词？

RAGFlow 框架调研报告

Java中的模型API、RAG与向量数据库：构建智能应用的新范式

Java AI面试实战：Spring AI与RAG技术落地

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

打造专属知识库：手把手教你构建RAG系统

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

RAG面试内容整理-1. 检索增强生成（RAG）概述与意义

RAG 技术深度面试题：架构、优化与实践应用

生成式引擎优化（GEO）：AI携手迈向搜索引擎智能新时代

「大模型应用」(2)RAG的检索与rerank

RAG、Function Call、MCP技术笔记

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

LightRAG进阶：跨域知识库构建与Agent协同推理实战

告别传统搜索：基于AI的知识库构建全流程解析

RAG实战指南 Day 24：上下文构建与提示工程

Python 解析 RAG（检索增强生成）的核心概念

Python----大模型（ langchain部署简单rag应用）

Python----大模型（ RAG的向量化（embedding））

【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

构建RAG智能体(3)：处理大型文档

构建RAG智能体(5)：语义护栏之过滤无用信息

AI 搜索引擎：让信息“长脑子”而不是“堆数据”

RAG四件套全解析：模型×向量库×检索×排序，一文打通落地闭环

RAG 助力教育个性化：重塑学习体验的科技引擎

RAG实战指南 Day 21：检索前处理与查询重写技术

【速通RAG实战：数据库】6.RAG向量数据库原理

【RAG专题】如何选择合适的RAG架构？

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

Spring AI高级RAG功能查询重写和查询翻译

构建企业私有RAG系统全流程：从 PDF 到智能问答的落地实践

大模型本地部署-dify私有化部署-教程

【面试必背】RAG技术全面解析：从原理到实践中的20个关键问题

人工智能界的“黑话“大揭秘：AI新词汇速成指南

Synergizing RAG and Reasoning: A Systematic Review-RAG与推理能力深度结合-新方向

ColQwen-Omni：RAG全模态检索来了，支持【文本|图像|视频|音频】四种模态！

互联网大厂Java求职面试：基于Spring AI与云原生架构的RAG系统设计与实现

【AI大模型学习路线】第三阶段之RAG与LangChain——第十六章（Advanced RAG[1]）基于历史对话重新生成Query？

【AI大模型学习路线】第三阶段之RAG与LangChain——第十六章（Advanced RAG[1]）其他Query优化相关策略？

使用 DeepSeek R1 和 Ollama 开发 RAG 系统 使用 DeepSeek R1 和 Ollama 构建强大的 RAG 系统。了解开发智能 AI 解决方案的设置过程、最佳实践和技巧。

AnythingLLM教程系列之 12 AnythingLLM 上的 Ollama 与 MySQL+PostgreSQL

AnythingLLM教程系列之 09 AnythingLLM 支持自定义音频转录提供程序

AnythingLLM教程系列之 04 AnythingLLM 允许您以正确的格式导出聊天日志，以构建 GPT-3.5 和 OpenAI 上其他可用模型的微调模型（教程含安装步骤）

2025年的RAG技术发展趋势与演进

超越RAG的搜索革命！分层框架让AI像专家团队一样深度思考

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

使用 DeepSeek R1 和 Ollama 开发 RAG 系统使用 DeepSeek R1 和 Ollama 构建强大的 RAG 系统。了解开发智能 AI 解决方案的设置过程、最佳实践和技巧。