GraphRAG：知识图谱+大模型 - 知乎
2023年12月21日 · 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。
RAG是什么？ - 知乎
RAG（检索增强生成） 将大模型不知道的知识，通过上传文本，使用embedding技术将文本和输入的问题向量化，再进行检索，向量的相似度代表语义的相似度，将检索到的答案和问题一起组成prompt，给到大模型，利用大模型在语义上进行整合，生成一个连贯、相关且准确的回答。
生成式检索(Generative Retrieval)和检索增强生成(RAG)的区别是什 …
在执行基本RAG检索时我们会将文档按指定的块大小(chunk_size)进行切割，然后进行embedding的向量化处理后存入向量数据库中，在检索时我们会计算用户问题(question) 与文档块的相似度，并选取K个最相似的文档(context)，并将其和用户问题一起发送给LLM, 并最终由LLM来生成最终的回复(response)。
大模型检索增强生成（RAG）有哪些好用的技巧？ - 知乎
RAG（检索增强生成）是近期几个大模型应用方向上 最难下笔的一个，一方面是因为技术方案仍在快速迭代；另一方面是市场对它的认知还存在一定偏差。目前市场认为：chatBI（让大模型做数据查询和分析）很有用但是有难度；Agent（让大模型自助规划任务实现 ...
RAG（检索增强生成）会不会消亡呢？ - 知乎
2023年12月30日 · 1、rag主要可以解决大模型幻觉问题，以及通过外挂知识，避免模型频繁进行知识更新。 2、即使模型可接受上下文长度为128k，但是我的知识库里有10w篇文档，远远超过模型的上下文长度，所以你还是需要检索。
利用大模型做知识检索时怎么提高RAG的正确性和鲁棒性？ - 知乎
知识检索是目前企业中常见的大模型场景，提高rag的鲁棒性和正确性非常重要。如何提高，请查看如下内容。 之前我们介绍了rag的两篇文章，第一篇文章是垂直行业（如农业）的rag应用实践，感兴趣可以访问如下文章： 求索：垂直领域的大模型应该如何构建？
如果构建行业垂直大模型，到底是用RAG还是微调？ - 知乎
下面这个案例对比了rag 与 fine-tuning： 在人工智能领域，大语言模型近年来取得了惊人的突破，然而如何将这些强大的模型应用于特定领域仍然是一个值得探索的课题。
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 …
最近两个月的业余时间参与了几个rag应用开发，最头疼的两个问题是：数据清洗和权限区分。 目前企业的数据可能有一半以上都是半结构化数据。 一个word/pdf文档里包含文字、图片、表格等信息司空见惯，一个PPT文件里全是带文字的图解也是常有的事。
localai, xinference, ollama 这些本地大模型部署工具的优缺点是什 …
Qwen-Agent + RAG：用8k上下文模型打造百万Token巨兽 大型语言模型（LLM）领域正在经历一场技术革命，百万级Token的处理能力成为新的角逐点。 传统的LLM受限于上下文窗口大小，难以有效处理超长文本。
目前有什么可以本地部署的大模型推荐? - 知乎
注意，我说的本地，指的不是一台个人电脑上，跑一个7B、13B参数的大模型。而是在企业本地算力服务器上，私有化部署的700亿参数以上规模的大模型，这种参数规模的大模型，才有更好的指令依从性，结合RAG、Agent等技术，能有效的完成你分配给他的任务。