|
- 一文读懂：大模型RAG（检索增强生成）含高级方法 - 知乎
最近推出的课程 构建和评估高级 RAG 中，以及 LlamaIndex 和评估框架 Truelens ，他们提出了RAG 三元组评估模式 — 分别是对问题的检索内容相关性、答案的基于性（即大语言模型的答案在多大程度上被提供的上下文的支持）和答案对问题的相关性。
- RAG-检索增强生成从入门到实战，看这一篇就够了 - 知乎
基于RAG的知识问答：包括用户query嵌入、召回、排序、拼接文档、构建context、基于query和context构建prompt、将prompt喂给大模型生成答案。 RAG的工作原理 问题理解和检索阶段 ：RAG模型接收到用户的问题或请求后，利用检索模块从预定义的知识库或文档集合中找到与
- RAG是什么？ - 知乎
RAG（Retrieval-Augmented Generation，检索增强生成）由Facebook在2020年发表的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中提出，应用于知识敏感的NLP任务，如问答。RAG将问题求解划分为检索和生成两阶段，先通过检索，查找与问题相关的文档，再将文档和
- 检索增强生成（RAG）有什么好的优化方案？ - 知乎
RAG之前先做query分类 不是每个query需要召回增强，有些可以直接用大模型回答，例如摘要、续写、翻译等。query分类的目的是过滤和分流，把需要RAG的query送入RAG，把不需要RAG的query直接送入大模型。
- GraphRAG：知识图谱+大模型 - 知乎
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。
- 大模型有什么好的评估方法（无须groudtruth）？RAG又有什么好的评估方法？ - 知乎
评估rag系统，就得从这两个部分入手，同时还要关注系统整体的表现。 rag评估的三大维度 评估rag系统，通常得从以下几个关键领域入手： 检索质量：检索器能不能准确找到并抓取相关文档？ 响应质量：生成器能不能用好检索到的上下文，给出准确且有用的回答？
- 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的底层原理是什么？ - 知乎
高级rag在原始rag的基础上进行了多方面的优化，特别是在索引、向量模型优化和检索后处理等模块上，显著提升了系统的性能和效率。 这种灵活的架构使得RAG能够适应多种应用场景，成为实现大语言模型的关键方法之一。
|
|
|