所有文章
> 当前分类:AI驱动
PyQt6 教程 | 高德地图 API 与自驾路径规划：探索地理信息与导航
2024/12/17
昨天通过高德API查询具体点位经纬度坐标信息： 最后做好的自驾点位图： 基本上就是地理信息底图、shapefilef地理数据以及一些点位信息的显示。 今天又看了一下高德地图的API，可以通过API进行路...
LLM之RAG实战（四十八）| AutoRAG：基于用户数据自动优化RAG pipeline的AutoML工具
【AI驱动】
一、AutoRAG介绍 市面上有很多RAG pipelines和模块，但是针对具体的数据和场景的最佳实践是什么？是非常耗时和困难的。而AutoRAG可以通过自动化评估不同RAG模块组合来弥补上述困难。 特点： ...
2024/12/17
LLM之RAG实战（四十七）| GraphRAG：使用知识图谱改进 RAG 检索策略
【AI驱动】
在 Retrieval Augmented Generation （RAG） 技术中，检索是直接影响生成输出质量的关键步骤。然而，基础 RAG 中的向量检索技术通常不足以满足所有情况。例如，传统的检索方法在处理大型私有文档存储库时往往表...
2024/12/17
LLM之RAG实战（四十六）| Langflow：一个用于构建 RAG 和多代理应用的低代码应用构建工具
【AI驱动】
一、Langflow 简介 Langflow是一个用于构建 RAG（Retrieval-Augmented Generation）和多代理 AI 应用的低代码应用构建器。它基于 Python 构建，并且不依赖任何模型、A...
2024/12/17
LLM之RAG实战（四十五）| LightRAG：创新双级检索系统，整合图形结构，实现更强大信息检索！
【AI驱动】
一、LightRAG介绍 LightRAG通过将图结构整合到文本索引和检索过程中，旨在解决现有RAG系统在处理复杂查询时的局限性，如依赖于平面数据表示和缺乏上下文感知能力。以下是论文的核心结论...
2024/12/17
LLM之RAG实战（四十四）| rag-chatbot：支持Huggingface和Ollama任意模型的多PDF本地RAG方案
【AI驱动】
特点： 支持本地运行和Kaggle (new)运行 支持Huggingface 和Ollama 的任意模型 Process multiple PDF inputs. Chat with multiples lang...
2024/12/17
LLM之RAG实战（四十三）| 使用模型监控pipeline构建端到端RAG Pipeline
【AI驱动】
之前，作者分享了基于 reranker 的 RAG 管道、查询增强和 reranker 过滤、基于 RAGAS 的模型评估以及ground truth数据集生成。在本文中，使用一个用例将所有部分放在一起来构建端到端 RAG pipeline...
2024/12/17
LLM之RAG实战（四十二）| 如何在LlamaIndex和LangChain中正确选择RAG开发框架
【AI驱动】
大型语言模型 （LLMs） 是这个时代最新兴的 AI 技术之一。早在 2022 年 11 月，OpenAI 就发布了自己的生成式 AI 聊天机器人 ChatGPT，当时引起了很大的轰动。之后不久，各大企业和高校纷纷推出自己的大模型，然而，除...
2024/12/17
ML.NET 示例：图像分类模型训练-首选API（基于原生TensorFlow迁移学习）
【AI驱动】
ML.NET 版本API 类型状态应用程序类型数据类型场景机器学习任务算法Microsoft.ML 1.5.0动态API最新控制台应用程序和Web应用程序图片文件图像分类基于迁移学习的TensorFlow模型再训练进行图像分类DNN架构：R...
2024/12/15
LLM之RAG实战（三十）| 探索RAG语义分块策略
【AI驱动】
在LLM之RAG实战（二十九）| 探索RAG PDF解析解析文档后，我们可以获得结构化或半结构化的数据。现在的主要任务是将它们分解成更小的块来提取详细的特征，然后嵌入这些特征来表示它们的语义，其在RAG中的位置如图1所示： ...
2024/12/14
LLM之RAG实战（二十四）| LlamaIndex高级检索（三）：句子窗口检索
【AI驱动】
这是本系列关于高级检索技术的第三篇文章，之前的两篇分别介绍构建基本的RAG和父文档检索技术，本文我们将深入研究句子窗口检索技术。我将介绍如何设置它，并使用TruEval来测量其性能，并将其性能与我们在前几篇文章中介绍的其他技术进行比较。 ...
2024/12/14
LLM之RAG实战（三十五）| 使用LangChain的3种query扩展来优化RAG
【AI驱动】
RAG有时无法从矢量数据库中检索到正确的文档。比如我们问如下问题： 从1980年到1990年，国际象棋的规则是什么？ RAG在矢量数据库中进行相似性搜索，来查询与国际象棋规则问题相关的相关文档。然而，在某些情况下...
2024/12/14
LLM之RAG实战（二十二）| LlamaIndex 高级搜索（一）构建完整的基本 RAG 框架（包括 RAG 评估）
【AI驱动】
在RAG（retrieval Augmented Generation，检索增强生成）系统中，检索到文本的质量对大型语言模型生成响应的质量是非常重要的。检索到的与回答用户查询相关的文本质量越高，你的答案就越有根据和相关性，也更容易防止LLM...
2024/12/14
LLM之RAG实战（三十七）| 高级RAG从理论到LlamaIndex实现
【AI驱动】
论文《Retrieval-Augmented Generation for Large Language Models: A Survey》对检索增强生成（RAG）总结了如下三种方式： Naive RAG 高级RAG 模...
2024/12/14
LLM之RAG实战（三十九）| 高级RAG技术全面解析
【AI驱动】
一、高级RAG概述 基本 RAG 的工作流程可分为三个步骤：索引、检索和生成。在索引阶段，文本被转换为嵌入，然后存储在向量数据库中以创建可搜索的索引。在检索步骤中，用户的查询也被转...
2024/12/14
LLM之RAG实战（三十一）| 探索RAG重排序
【AI驱动】
重新排序在检索增强生成（RAG）过程中起着至关重要的作用。在naive RAG方法中，可以检索大量上下文，但并非所有上下文都与问题相关。重新排序允许对文档进行重新排序和过滤，将相关文档放在最前面，从而提高RAG的有效性。 ...
2024/12/14
搜索文章
热门话题
