GitHub热荐开源新书：大模型数据工程全景指南与5大实战项目
针对大模型时代数据工程资料匮乏的痛点，GitHub上新书《大模型数据工程》提供了从预训练到应用的系统性解决方案。本书内容全面覆盖预训练数据清洗、多模态数据对齐、SFT指令构造及RAG检索增强等核心技术栈。书中不仅深入讲解Data-Centr...
标签索引 / 第 6 页
rag
这个标签下有 91 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
Foxel V2 发布：融合 AI Agent 与插件系统的开源“文件操作系统”
开源项目 Foxel 迎来 v2 里程碑版本，定位由文件管理器升级为“AI 文件操作系统”。v2 版本核心亮点包括：重构完整的 RBAC 权限体系，支持多用户协作与精细化管控；引入强大的插件架构（.foxpkg），实现前后端功能的无限扩展；...
长上下文实测：百万 Token 窗口让传统 RAG 架构面临淘汰，直接“吞下”全本小说
本文记录了一位开发者从传统的 RAG（检索增强生成）架构向超长上下文模型迁移的实践体验。随着 Claude 等模型逐渐普及百万级 Token 上下文窗口，作者发现原本需要通过 PHP+MySQL 复杂切片和处理的《哈利·波特》全集（约 30...
拒绝低效检索：这个开源项目让 OpenClaw 具备了“意图感知”的专家级搜索能力
该项目为 AI 框架 OpenClaw 打造了一套企业级的多源并行搜索方案。通过集成 Brave、Exa 和 Tavily 三大引擎，并创新性地引入“意图感知”机制，系统能根据用户查询类型（如事实查询、最新新闻、深度对比）自动调整搜索策略与...
企业级AI落地指南：如何架构RAG系统，实现从在线API平滑切换至内网开源大模型
本文探讨了一个企业级AI落地的典型场景：初期利用在线大模型（如GPT-4）结合RAG技术快速验证，后期需替换为内网私有化部署的开源大模型（如Llama 3、Qwen）。面对甲方对数据安全与成本控制的双重需求，开发者需要设计一套灵活的架构中间...
实战RAG：开发者开源新加坡法律AI引擎，精准检索有效抑制大模型幻觉
本文介绍了一个名为“Explore Singapore”的开源项目，作者通过构建特定领域的搜索引擎，利用检索增强生成（RAG）技术处理新加坡的法律与政策文档。该系统基于Python、LangChain和FAISS，索引了约594份政府PDF...
你的 Agent 不理解，它在表演
你看着 Agent 输出的长篇大论，觉得它「理解」了。 但它只是在表演理解。 三个幻觉 幻觉一：生成 = 理解 LLM 的本质是概率预测，不是语义理解。它输出「我明白」是因为「我明白」在训练数据中经常跟在问题后面，而不是因为它真的理解了。 ...
如何让 Agent "学会"新技能？不是微调，是 RAG
如果 Agent 需要知道你公司的内部流程，你会怎么做？ 选项 A： 微调模型（几个月，几万美金） 选项 B： RAG（几小时，几乎免费） 大多数情况下，选项 B 更好。 RAG 是什么 RAG = Retrieval-Augmented ...
为什么我不推荐你用 RAG 做知识库
一个反直觉的观点 大家都说 RAG（Retrieval-Augmented Generation）是 Agent 的必备能力。 但我用过之后，发现了一个问题：RAG 的幻觉比直接生成还严重。 RAG 的承诺 vs 现实 理论上，RAG 应该...
微调还是 RAG？AI 应用开发者的永恒难题
搭建 AI 应用时，总有一个问题绕不开：到底该用微调（Fine-tuning），还是 RAG（检索增强生成）？ 这不是非黑即白的选择，而是场景决定策略。 先搞懂本质 微调是改「大脑结构」：让模型学会新的说话方式、特定领域的知识表达。 RAG...