文章列表-AI魔法学院

文章列表

LLM之RAG实战（五）| 高级RAG 01：使用小块检索，小块所属的大块喂给LLM，可以提高RAG性能

在这一系列的博客文章/视频中，我将介绍先进的RAG技术，旨在优化RAG工作流程，并解决原始RAG系统中的挑战。

RAG 检索

LLM应用架构之检索增强（RAG）的缘起与架构介绍

与之俱来的优势与问题前面探讨了大模型的基因，一个是生成式结构，一个是模型规模很大，那么，对于基于它开发LLM应用就不得不面对它带来的优势及问题。

LLM

RAG与Long-Context之争—没必要争

写在前面随着大模型可以支持的上下文(Context)长度越来越长，网上（好几个群里都在聊这个话题，也来聊几句）竟然出现了RAG与Long-Context之争，是真没必要。。。

RAG Long-Context 大模型

RAG 与 Finetuning，谁是提升 LLM 的最佳工具？

在深入研究之前，让我们揭开这两种方法的神秘面纱：RAG：这种方法将检索（或搜索）的能力集成到LLM文本生成中。

训练

LangChain: LLM 应用聚焦的两大方向，RAG 和 Agents

图一：RAG 结构图在当前这个时间点（2023.9.6）打开 langchain.com 的主站，你会发现不同于之前的 docs 关于应用场景的 8 种介绍，Use-Cases

大模型

大模型微调经验汇总---LLM finetuning 踩坑经验之谈

当下开源的 LLM(Large language model) 非常多，可谓是百模大战。

大模型人工智能

LLM每周速递！大模型最前沿：多模态RAG、RAG加速、大模型Agent、模型微调/对齐

当我们拿到开源大模型的时候，通常会与实际场景结合来对大模型做一波Post-Training，进而改变预训练模型的权重来实现LLM对齐。

大模型研究

百川智能RAG方案总结：搜索出生的百川智能大模型RAG爬坑之路

今天对百川的RAG方法进行解读，百川智能具有深厚的搜索背景，来看看他们是怎么爬RAG的坑的吧～总的来说，百川通过长上下文模型(192k)+搜索增强结合的方法来解决知识更新，降低模型幻觉的问题，使得其在

RAG 大模型

检索增强生成(RAG)：LLM企业级应用落地的挑战与思考

如果你正在构建LLM应用，你可能已经知道RAG很容易起步，但很难达到生产可用。

大语言模型 RAG检索增强

改进召回（Retrieval）和引入重排（Reranking）提升RAG架构下的LLM应用效果

如前文LLM应用架构之检索增强（RAG）的缘起与架构介绍，RAG架构很好的解决了当前大模型Prompt learning过程中context window限制等问题，整体架构简明清晰，易于实现，得到了广泛的应用

大模型

超越RAG：揭秘IAG框架如何引领推理问答系统的创新之路

该框架结合了归纳知识和检索文档，并利用大型语言模型（LLM）通过一种基于归纳推理模式的新提示方法生成这种知识。

IAG框架大语言模型

RAT = CoT + RAG

Retrieval Augmented Thoughts (RAT) 是一种协同思维链 (CoT) 和检索增强生成 (RAG) 的 AI 提示策略，助力解决具有挑战性的长任务推理和生成。

RAT 协同思维链检索增强生成

RAG从入门到精通-RAG简介

LLM的知识更新难题在进入RAG的介绍之前，需要读者首先理解一个概念，LLM的知识更新是很困难的，主要原因在于： 1.LLM的训练数据集是固定的,一旦训练完成就很难再通过继续训练来更新其知识。

rag 大模型

全量免费的EMO模型上架通义APP，外媒称之为Sora之后最受期待的大模型之一

EMO是通义实验室研发的AI模型，于今年2月底公开技术论文，被外媒称之为Sora之后最热门的AI模型之一，在开源社区Github上已经获得了超过6700颗星标。

EMO 阿里全民演唱

RAG 2.0，终于把RAG做对了！

但很少有案例像Contextual.ai提出的基于情境语言模型（CLMs）的“RAG 2.0”那样引人注目，它旨在使标准检索增强生成（RAG）——目前最流行（如果不是最受欢迎的话）的生成式AI模型实现方式之一

RAG 大语言模型

<12 3 4 5 6 7 8 9 10 ...>

汇聚AI资讯，网罗AI文档，详解AI工具！

关于我们用户协议隐私条款商务合作：skillupvip

© 2023-2025 AI魔法学院

京ICP备20027199号-1