Mr Panda
0 关注者
howie.serious
3周前
对比下两种不同的说法： 1）书，在未来会成为“embedding化的智能副本” 2）“把这本书RAG一下” 更具体一点，多说一句话来解释：把一本书的文本切块，处理成高维向量（embedding）后放进向量数据库（vector DB）；读者可以直接对书（的embedding）提问，用相似度算法把最相关段落检索出来，然后llm基于这本书的内容来回答读者问题。 简称为“RAG”。
凡人小北
4个月前
建议大家，别在简历里写“熟悉 RAG”了，或者面试前好好学学。 我面试过不少人，说熟悉 RAG，结果一问就穿帮。 RAG 绝大多数工程师只碰到前半段： 拿个 LangChain，上个向量库，把 chunk 和 embedding 丢进去跑个检索； 看起来跑通了，实际啥也没掌握。 但只要你简历上写了，面试官就会问你下面这些（当然不写也不一定逃得过）： - chunk 是怎么切的？固定？语义？还
宝玉
8个月前
DailyDoseofDS 这个图把传统 RAG 和 Agentic RAG 之间的差异分的比较清楚。 传统 RAG 就是先把文档向量化保存到向量数据库，然后在用户查询时，对用户的问题也做向量化，从向量数据库中找到相关的文档，再把问题和找出来的结果交给 LLM 去总结生成。 这种方式的优点就是简单，由于不需要太多次和 LLM 之间的交互，成本也相对低，但缺点是经常会因为做相似检索时，找不到合
biantaishabi
给我的机器人加了几个工具： 编辑文件，他需要编辑部分而不是每次都是全部更新整个文件； 增加经验，（这个还需要一个搜索的，所以以后应该会把他每天批量移到一个向量数据库理让机器人搜索，以后动态构建系统提示词）； 查文档的，这个项目比较简单让他读文件，还做了一个查rag的 我的机器人laoded了
