#信息检索

1个月前

RAG已死？RAG已死的说法最近看到不少，很多是受Claude Code用grep的影响。问题是，grep就是一种信息检索手段啊，有grep就是RAG，只有那种每次把整个库都丢进去的不是RAG。另外，grep只是一种信息检索手段，只用grep做RAG目前还没有看到在非代码场景的成功案例，现在就断言以后用grep就行，我觉得应该都是没做过RAG。然后，很多人觉得向量化要切片，就觉得喂给LLM的就只是片段，不是全文。这都哪跟哪，命中切片之后难道不能把全文喂进去吗。要这么说，grep还命中的是一行呢，难道就喂一行。这些都是似是而非的说法。

#RAG #信息检索 #grep #LLM #技术讨论

1个月前

某位推友写过一个提升提示词的提示词，我找不到了。哪位看到帮我指点一下。我想提升一下下面的提示词？ Explain the main process. 1. Identify no more than 5 key components; You must include external components that this system/app interact with. Those external interactions are as important as internal interactions in our analysis. 2. Identify key interactions between these components. 3. Filter out core interactions. First understand the core feature. When identifying key interactions, you should ignore non-core interaction. For example, if core feature is for shipment, authentication is non-core. Payment can be considered core, only if the shipment interaction is simple. If core feature is authentication, then authentication is core. 4. Describe the interactions in time sequence. If there are branches, use clear language like if/then.

#提示词 #Prompt工程 #AI #效率提升 #信息检索

3个月前

推荐下好友 Evan 的 RAG 专栏： 1/ 体系化的 RAG 知识框架，一本通全流程和关键技术； 2/ 从 0 到 1 真实知识库项目实操 3/ 定期剖析 RAG 最新论文 Evan 是 LLM + 信息检索方向的博士，他经常活跃我群，组织大家打各种 AI 竞赛。所以兄弟们，下方扫码，滴滴

#RAG #LLM #知识库 #信息检索 #AI竞赛

7个月前

Deep Research取代谷歌例子：今天周一鸣荣升香港警务处处长，他曾经在2019年出任九龙西总区副指挥官，是他职业腾飞关键。我突然想知道指挥官是谁？谷歌搜索“九龙西总区指挥官 2019”翻了多少页都找不到。但直接问Grok3和Gemini的DR，几分钟后两者都给出正确答案：卓孝业，第二年周一鸣升职，他退休。

#DeepResearch #人工智能 #信息检索 #香港警务人事 #谷歌替代 #Grok3 #Gemini #警务处长任命

7个月前

问：什么是 RAG？ RAG（检索增强生成，Retrieval-Augmented Generation）是一种结合了信息检索和生成式人工智能的技术。通俗地讲，它先通过检索，从数据库或互联网等外部知识源中找到与问题相关的内容，再利用生成模型（如GPT）基于这些内容生成答案。这种方式让模型不仅依靠训练时学习到的知识，还能实时获取最新信息，从而更准确地回答问题。举个简单的例子：假设你问AI：“2025年奥运会在哪里举办？”普通生成模型可能无法回答，因为训练数据仅截至2023年。但使用RAG技术，AI会先去检索最新的网络或知识库内容，确认“2025年奥运会将在巴黎举行”，然后再生成具体回答。这种技术让AI变得更可靠、更具实时性。 RAG的核心优势在于既能发挥生成模型灵活表达的能力，又能利用检索保证信息的准确性和时效性，适用于问答系统、客服机器人、知识助手等场景，是未来人工智能发展的重要方向之一。

#RAG #检索增强生成 #信息检索 #生成式人工智能 #GPT #生成模型 #外部知识源 #实时获取信息

9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，找不到合适的结果，而导致生成结果不理想。 Agentic RAG 则是在过程中引入 AI 智能体： - 先对用户的查询内容用智能体进行重写，比如修正拼写错误等 - 智能体判断是不是还需要额外的信息，比如可以去搜索引擎搜索，或者调用工具获取必要的信息 - 当 LLM 生成内容后，在返回给用户之前，让智能体去检查答案是不是和问题相关，是不是能解决用户的问题，如果不行，则返回第一步，修改查询内容，继续迭代，直到找到相关的内容，或者判断该问题无法回答，告知用户结果。当然这样做的缺点是成本要相对高一些，并且耗时会更长。

#RAG #Agentic RAG #向量数据库 #LLM #自然语言处理 #信息检索 #数据处理