- 综合排序
- 最热优先
- 最新优先
RAG 2.0，让RAG 终成正果
然而，像Contextual.ai提出的基于情境语言模型（CLMs）的“RAG 2.0”这样的案例却很少见，它试图让目前最流行（如果不是最受欢迎的话）的生成式AI模型实现方式之一——标准检索增强生成（RAG 这个类比背后的原因是因为标准的RAG系统组装了三个不同的组件，这些组件是分别预训练的，并且根据定义，它们本来就不应该在一起。 相反，RAG 2.0系统从一开始就被定义为“一体”。 来源：Contextual.ai 原因很简单：在RAG 1.0中，我们分别训练各个部分，然后把它们拼接在一起，希望得到最好的结果。但在RAG 2.0中，所有组件从一开始就在一起。 但即使RAG 2.0的优势明显，还有一个重大问题仍未解决。 真正的问题还未得到解答 尽管RAG 2.0可能很快成为那些不愿与大型语言模型（LLM）提供商共享机密数据的公司的企业标准，但有理由怀疑，无论是哪个版本的RAG，最终可能都不再需要。
1.7K51编辑于 2024-04-24RAG 2.0 的索引与召回机制优化
很多做RAG的朋友可能都有过这样的经历：兴冲冲地把系统搭起来满怀信心地让它回答几个问题，结果它要么答非所问，要么一脸无辜地说"抱歉我不知道"。 今天我们就来聊聊RAG 2.0在索引与召回机制上的优化思路，看看怎么才能让RAG真正派上用场。 向量召回的困境与破局之道 向量召回命中率低这个问题，说起来简单，真正解决起来却让人头疼。 未来重排序很可能成为RAG系统的标配组件，就像现在全文索引是必备的一样。 值得注意的是，延迟交互这条路还在快速发展。 结语 RAG 2.0的索引与召回机制优化，本质上是在效果和效率之间找平衡。 多路召回解决了单一检索方式的局限，张量排序在保持效果的同时提升了效率，文档预处理则为整个系统打下了高质量的数据基础。 RAG技术还在快速演进，但无论怎么变，扎实的基础功永远是关键，是吧？
29410编辑于 2026-02-28- 来自专栏Datawhale专栏
RAG 作者：RAG 已死，RAG 万岁！
一个具有更大上下文窗口的新模型问世，社交媒体上便会充斥着“RAG 已死”的宣言。 RAG 的初衷 五年前，我在 Meta 基础人工智能研究中心（FAIR，前身为 Facebook 人工智能研究中心）的团队提出了 RAG（Retrieval-Augmented Generation，检索增强生成 底线是：您同时需要长上下文 LLM 和 RAG。 但既然“RAG”这个术语似乎如此具有争议性，那我们不妨这样说： 我们不必非得称之为 RAG。 我们可以就叫它 检索 (retrieval)。 RAG 提供了相当于直接翻到相关页面的能力。处理更多 token 不仅更慢，而且极其低效，并且比使用 RAG 精准定位所需信息要昂贵得多。 RAG、微调和大型上下文窗口在 AI 中也是如此。 结论 我们不需要在 RAG 与长上下文窗口、微调或 MCP 之间做出选择。
76610编辑于 2025-04-24 - 来自专栏全栈开发工程师
【RAG】001-RAG概述
【RAG】001-RAG概述 0、整体思维导图 下面的知识是基于一个视频教程结合 AI 生成的笔记，我也看了一遍，有了一些印象，但这种印象很快就会消失，知识也就消失了，为了使得知识在我的大脑中停留更长的时间 补充1：RAG 基本逻辑 补充2：RAG 知识库基本逻辑 一、RAG 介绍 1、LLM 的主要局限性 大语言模型（LLM）尽管功能强大，但仍存在以下明显的局限性： 时效性问题：模型的知识在预训练后就固定了 概述 1、RAG 的概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了检索和生成技术的文本处理方法，主要用于提高语言模型的输出质量。 2、RAG 的工作原理 RAG 的核心工作流程包含以下步骤： 知识库构建： 收集和处理文档资料 将文档切分为适当大小的文本块 使用向量化模型将文本转换为向量并存储 检索过程： 接收用户查询并向量化 在向量数据库中搜索相似内容 获取最相关的文本片段 生成过程： 将检索到的相关内容与用户问题组合 构建合适的提示词（Prompt） 通过 LLM 生成最终答案 3、RAG 的应用场景 RAG 技术在多个领域都有广泛应用
80110编辑于 2025-03-25 - 来自专栏DeepHub IMBA
RAG 2.0架构详解：构建端到端检索增强生成系统
但是当前RAG的问题在于各个子模块之间并没有完全协调，就像一个缝合怪一样，虽然能够工作但各部分并不和谐，所以我们这里介绍RAG 2.0的概念来解决这个问题。 什么是RAG？ RAG 2.0 当今典型的RAG系统使用现成的冻结模型进行嵌入，使用向量数据库进行检索，以及使用黑盒语言模型进行生成，通过提示或编排框架将它们拼接在一起。各个组件技术上可行，但整体远非最佳。 结果是RAG系统很少通过生产标准。 而我们要说的RAG 2.0的概念，通过预训练、微调并对所有组件进行对齐，作为一个整体集成系统，通过语言模型和检索器的双重反向传播来最大化性能： 下面就是我们将上下文语言模型（Contextual Language 总结 RAG（检索增强生成）有三种类型： 冻结模型RAG：这些在整个行业中随处可见，它们只是概念验证（POC）。 半冻结模型RAG：应用智能检索器，并试图使它们以某种方式适应。
2.9K20编辑于 2024-04-26 - 来自专栏一臻AI
从多模态 RAG、OAuth 2.0安全认证到定时Agent
多模态RAG：从"信息检索"到"认知增强"的商业逻辑 "我们公司有大量的培训视频和音频资料，但AI助手只能处理文档，这些宝贵的知识资源都浪费了。"一位企业培训主管的抱怨，道出了很多企业的痛点。 Dify 1.7.0的多模态RAG升级，不仅仅是技术能力的扩展，更是商业模式的重新定义。当AI可以"听懂"音频、"看懂"视频时，企业的知识资产价值被重新激活了。 OAuth 2.0与插件自动升级：企业级安全的商业考量 "我们不敢用第三方工具，安全风险太大了。"这是很多企业CTO的心声。在AI应用快速发展的今天，安全性往往成为企业采用新技术的最大障碍。 Dify 1.7.0引入OAuth 2.0支持和插件自动升级策略，看似是技术层面的更新，实际上是对企业级市场的深度布局。 从用户体验角度看，OAuth 2.0的引入彻底改变了第三方工具集成的体验。
97910编辑于 2025-08-25 - 来自专栏机器学习原理
rag
RAG技术全面解析：原理、应用与优势 引言 在当今快速发展的人工智能领域，检索增强生成（Retrieval-Augmented Generation, RAG）技术已成为一个备受关注的话题。 RAG工作流程 RAG的工作流程可以分为以下几个步骤： 用户查询：用户提出一个查询，系统首先会将这个查询传递给检索模型。 RAG技术的应用场景 RAG技术在众多实际应用场景中显示出其独特的优势，这是其他单一技术难以比拟的。下面我们详细探讨RAG技术的几个主要应用场景。 RAG技术可以在知识图谱构建过程中发挥重要作用。通过利用检索模型从大规模文档库中找到最新的相关信息，RAG系统可以识别出新的实体和关系。 RAG技术的优势与挑战 RAG技术在很多方面展示了其显著的优势，但它也面临着一些挑战。以下我们将详细探讨RAG技术的优势和挑战。
63611编辑于 2024-06-27 - 来自专栏自然语言处理
RAG Logger：RAG日志记录工具
您听说过 RAG Logger 吗？ 它是一款专为检索增强生成 (RAG) 应用程序设计的开源日志记录工具！ 据说它可以作为 LangSmith 的轻量级替代方案，满足 RAG 特定的日志记录需求。 查询、搜索结果、LLM 交互和性能指标可以以 JSON 格式记录。 特点 通过查询跟踪详细了解用户问题！ RAG Logger 为 RAG 应用程序的性能监控和调试提供了强大的支持，对吗？ 特别推荐给那些想要提高应用程序开发效率的人。 请参阅此处的详细信息： RAG Logger GitHub 仓库
33110编辑于 2025-01-07 - 来自专栏数据派THU
独家 | 进阶RAG-提升RAG效果
在我的上一篇博客中，我深入地介绍了RAG以及它是如何用LlamaIndex实现的。然而，RAG在回答问题时经常遇到许多挑战。 RAG工作流程分解 首先，为了增强对RAG的理解，我们将RAG工作流程分解为三个部分，并对每个部分进行优化以提高整体表现。 模块化RAG 模块化RAG集成了多种方法来增强RAG的不同组成部分，如在检索器中加入相似度检索的搜索模块和应用微调方法 RAG融合（RAG Fusion） RA融合技术结合了两种方法： 多查询检索 利用 总结 本文讨论了优化RAG管道各部分和增强整体RAG流水线的各种技术。您可以在您的RAG流水线中使用这些技术中的一种或多种，从而使其更加准确和高效。 原文标题：Advance RAG- Improve RAG performance 副标题：Ultimate guide to optimise RAG pipeline from zero to advance
1.6K20编辑于 2024-06-28 - 来自专栏coder
什么是 RAG，为什么要用 RAG？
为什么要用 RAG ？ RAG 引用信息来源是用户可以核实答案，因此其透明透非常高，这增强了人们对模型输出结果的信任。 透过获取与特定领域数据，RAG能够为不同领域提供专业的知识支持，定制能力非常高。 由于 RAG 不需更新模型参数，因此在处理大规模数据集时，经济效率方面更具优势。 不过虽然RAG有许多优势在，但这3种方法并不是互斥的，反而是相辅相成的。 什么是 RAG ？ 这篇章旨在介绍 RAG 的过程与其使用的相关技术。 RAG 生态系 RAG 的生态系蓬勃发展，在水平领域，从最初的文本问答领域以外，RAG 的应用逐渐拓展到更多模态数据，包括图像、代码、结构化知识、影音等。 在这些领域，已经涌现许多相关研究成果。
75110编辑于 2024-09-06 - 来自专栏周末程序猿
RAG实战|8种RAG架构浅析
Naive RAG 简介： Naive RAG 是最基础的检索增强生成架构，采用“索引-检索-生成”的经典流程。 Corrective RAG 简介： Corrective RAG 在传统 RAG 基础上引入了文档质量评估和自我修正机制。 Agentic RAG 简介： Agentic RAG（智能体RAG）将 AI Agent 的规划和推理能力与 RAG 相结合。 Graph RAG 简介： Graph RAG 将知识图谱技术与 RAG 相结合，通过从文档中抽取实体和关系构建知识图谱，并进行社区检测和摘要生成。 SFR RAG 简介： SFR RAG（Salesforce Research RAG）是工业级高质量 RAG 的最佳实践。
1.2K10编辑于 2025-12-30 - 来自专栏Reinvent Data Science
RAG 修炼手册｜如何评估 RAG 应用？
当以黑盒方式来评估 RAG 应用时，我们看不到 RAG 应用的内部，只能从输入给 RAG 应用的信息和它返回的信息来评估 RAG 的效果。 对于一般的 RAG 系统，我们只能访问这三个信息：用户提问（User's query）、RAG 系统召回的引用上下文（retrieved contexts）、RAG 系统的回答（RAG's response 我们使用这三个信息来评估 RAG 应用的效果，黑盒方式是一种端到端的评估方式，也比较适用于评估闭源的 RAG 应用。 当以白盒方式来评估 RAG 应用时，我们能看到 RAG 应用的内部所有流程。 白盒方式可以用来评估开源 RAG 应用，或者提升自研 RAG 应用。 02. ）、RAG 系统的回答（RAG's response）。
1.5K12编辑于 2024-04-25 - 来自专栏全栈开发工程师
【RAG】001.1-RAG相关核心概念
【RAG】001.1-RAG相关核心概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与生成模型的混合架构，旨在提升生成的准确性和可信度。 其核心概念可归纳为以下六个方面： RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与生成模型的混合架构，旨在提升生成的准确性和可信度。 上下文融合（Context Fusion） 上下文融合是指将检索到的知识与用户输入有效整合的过程，这是RAG系统中至关重要的环节。 通过多维度指标的综合分析，可针对性优化RAG系统的薄弱环节，实现高效可靠的知识增强生成。 6. 应用场景与挑战 典型场景：开放域问答、文档摘要、客服自动化、代码生成。 理解这些概念有助于设计高效、可靠的RAG系统，尤其在减少生成错误与提升信息可信度方面具有显著优势。 8.
1K10编辑于 2025-03-26 - 来自专栏AgenticAI
Agentic RAG：超越传统RAG与案例分享
RAG 框架不断推陈出新、日新月异，从 Navie RAG、高级 RAG、模块化 RAG，发展到现在的 Graph based RAG，甚至混合高级 RAG 与 GraphRAG 的 HybridRAG 本文先讨论 Agentic RAG 常见范式，然后推荐一些流行的 Agentic RAG 开发示例：Nvidia 的 Agentic RAG 案例和基于 LlamaIndex 的 Agentic RAG Nvidia Agentic RAG Nvidia 展示的 Agentic RAG 只是一个示例，参考了如下 3 篇论文实现。 路由 (Adaptive-RAG[1]). agentic-rag-llama 比如你可能会问：“比较一下 adapt rag 和 self-rag，首先分析各个论文中的方法”，查询重写模块可能会将用户提问分解为： adapt rag 中的方法 self rag 中的方法 对比 self rag 和 adapt rag 然后 Router 会分别调用 self rag 的 summary tool 和 adapt rag 的 summary tool
3.3K31编辑于 2025-03-18 - 来自专栏有文化的技术人
静态 RAG 与动态 RAG 技术全解析
❝本文系统介绍静态 RAG 与动态 RAG 的核心原理、技术对比、主流实现方案及代码实践，适合技术选型和深入学习参考。 ❞ 目录 一、RAG 技术概述 二、静态 RAG 2.1 核心原理 2.2 优化技术 2.3 主流实践方案 2.4 代码示例 三、动态 RAG 3.1 核心原理 3.2 主流实现方案 四、Self-RAG 7.2 Self-RAG vs CRAG 7.3 选型建议 八、参考资源 一、RAG 技术概述 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与文本生成的技术架构 为什么需要 RAG？ 「IRCoT」 工作流 交错检索与思维链推理 ❌ 不需要 四、Self-RAG 详解 4.1 核心原理 Self-RAG（Self-Reflective RAG）的核心是「训练模型本身具备"反思"能力
28810编辑于 2026-04-09 - 来自专栏自然语言处理
Agentic RAG 解释
RAG（检索增强生成）通过提供来自外部知识源的相关背景来帮助提高 LLM 答案的准确性和可靠性。 Agentic RAG 是高级 RAG 版本，它使用 AI 代理来更加自主地行动。 Agentic RAG 执行以下操作 查询理解、分解和重写 检索策略选择 知识库管理 结果综合与后处理 迭代查询和反馈循环
46000编辑于 2025-01-09 - 来自专栏『学习与分享之旅』
RAG落地实战
简单来说，RAG 就像给 AI 配了一个 “小抄本”，让 AI 回答问题前先查一查特定的知识库来获取知识，确保回答是基于真实资料而不是凭空想象。 很多企业也基于 RAG 搭建了自己的智能客服，可以用自己积累的领域知识回复用户。 LangChain 提供了 3 种 RAG 的实现方式，我把它称为：极简版、标准版、进阶版。 @Resourceprivate EmbeddingStore<TextSegment> embeddingStore;// RAG// 1. 好了，本篇文章就到这里，极简版 RAG 的使用非常简单，适合快速查看效果。
30610编辑于 2025-11-21 - 来自专栏码农编程进阶笔记
RAG原理总结
所以RAG要做的事情就是将知识库分割，然后利用向量模型做向量化，存入向量数据库，然后查询的时候去检索： 第一阶段（存储知识库）： 将知识库内容切片，分为一个个片段 将每个片段利用向量模型向量化 将所有向量化后的片段写入向量数据库
35810编辑于 2025-08-14 - 来自专栏大模型技术应用
RAG 技术综述
RAG整体框架 基础RAG 基础 RAG 案例的过程大致如下：首先，将文本分割成不同的段落；接着，使用某种 Transformer 编码器模型将这些段落转换成向量；然后，把这些向量存储到一个索引中；最后 高级RAG 初级 RAG 在信息检索、内容生成和信息增强方面存在挑战。为此，高级 RAG 应运而生，它在检索前后加入了额外的处理步骤。 注：绿色元素代表我们将要深入讨论的核心 RAG 技术，蓝色元素则表示文本 模块化 RAG 模块化 RAG结构不仅更加灵活自由，还引入了更多定制化的功能模块，例如查询搜索引擎和多答案整合。 从流程上看，RAG 的各个模块被精心设计和调配，形成了多种RAG模式。 但模块化 RAG 并非一蹴而就；它是在前两个范式基础上逐步演化而来的。 高级 RAG 可以看作是模块化 RAG 的一个特殊实例，而初级 RAG 则是高级 RAG 的一个简化版本。
2.2K11编辑于 2024-02-01 - 来自专栏机器学习与统计学
RAG 已死？
本讨论了关于“RAG 已死”的争议性观点。本解释说，这一说法仅适用于一种非常狭窄且经常被误解的 RAG 定义，这种定义是由营销活动普及开来的。 这是理解 RAG 如何改变流程的基础。 使用 RAG 时，会插入一个新的步骤：“上下文文档”。本强调，获取这些文档的“方法”并不影响定义。 如果你在上下文窗口中添加了外部文档以增强生成内容，你就是在进行 RAG。即使手动复制粘贴文本到提示中，从技术上讲，这也是一种形式的 RAG。 本总结到目前为止的要点： RAG 并不会消失。 简单的方法（如基本的余弦相似度）已经显示出其局限性，推动我们向更好的、更复杂的检索技术发展。 RAG 是向模型提供最新信息的最佳方式。 同样地，“2023 年的 RAG”被杀死的原因仅仅是更好的 RAG（具体来说，是更好的检索形式）。
25300编辑于 2025-07-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号