#语义搜索

GitHubDaily

2周前

又发现一个很强的 MCP 服务器：Chrome MCP Server，基于 Chrome 插件，直接让 AI 助手控制我们的浏览器。实现复杂的浏览器自动化、内容分析和语义搜索等场景，并且能保持我们的登录状态和浏览器设置。 GitHub：主要特性： - 使用我们原本的浏览器，保留所有配置和登录状态 - 完全本地运行，保护用户隐私和数据安全 - 支持截图、网络监控、内容分析等 20+ 种工具 - 智能语义搜索，AI 驱动的标签页内容发现 - 跨标签页操作，实现复杂的浏览器自动化 - 书签和历史记录管理，支持智能搜索和分类 - 表单填写和页面交互，模拟键盘鼠标操作此外，比 Playwright 方案资源占用更少，响应更快。先通过安装其提供的 Chrome 插件，然后在 Claude 桌面客户端上配置 MCP 即可使用。

#MCP服务器 #Chrome插件 #AI助手 #浏览器自动化 #内容分析 #语义搜索 #隐私保护 #GitHub #网络监控

Geek

2周前

更为强大的 Chrome MCP Server 一个基于 Chrome 插件的模型上下文协议 (MCP) 服务器，它将您的 Chrome 浏览器功能暴露给 Claude 等 AI 助手，实现复杂的浏览器自动化、内容分析和语义搜索等。

#Chrome插件 #模型上下文协议 #MCP服务器 #AI助手 #浏览器自动化 #内容分析 #语义搜索

ginobefun

3周前

#BestBlogs RAG 技巧与底层代码剖析 | 阿里云开发者使用 Python 基础库从零实现 RAG 内核，深入剖析文本分块、语义搜索及上下文增强技巧。摘要：本文旨在通过手写代码的方式帮助读者深入理解 RAG 的工作原理，避免过度依赖现有框架。文章首先展示了使用 Python 基础库实现简易 RAG 系统的过程，包括数据导入、固定长度文本分块、Embedding 创建和基于余弦相似度的语义搜索，并提供了代码示例。接着，详细介绍了基于语义的文本分块方法，对比了其与传统方法的优势，并阐述了百分位法、标准差法、四分位距法等切分点判定策略，同样给出了基于语义分块的代码实现。最后，文章引入并实现了“上下文增强检索”技巧，即在检索到最相关文本块的同时包含其前后相邻块，以提供更丰富的上下文信息给语言模型，从而提升回答质量。通过代码实践，文章有效地揭示了 RAG 的核心逻辑和关键优化方向。主要内容: 1. 手写 RAG 核心模块有助于深入理解其工作原理。 -- 通过仅使用 Python 基础库和常用科学计算库实现 RAG 流程，能更清晰地掌握从数据处理到响应生成的底层逻辑。 2. 语义分块比固定长度分块更能捕获完整语义单元。 -- 基于句子间语义相似度进行智能切分，能有效避免语义割裂，提高检索到的上下文质量和相关性。 3. 上下文增强检索能为 LLM 提供更全面的信息。 -- 在检索结果中包含相关文本块的邻近内容，能丰富大模型获得的背景知识，减少因信息不完整导致的回答偏差。文章链接：

#RAG #Python #文本分块 #语义搜索 #上下文增强 #阿里云开发者 #手写代码 #工作原理

Viking

3周前

最近看到一个非常神奇的项目 MemVid ，彻底把我给惊到了一个数据存储解决方案，但是它将文本数据编码为 MP4 视频文件，利用视频压缩技术，实现高达 10 倍的存储效率。同时还内置了语义搜索，用户可以通过自然语言来进行数据的查询。这个解决方案完全离线，直接拷贝这个视频文件哪里都可以用。真的是非常有想象力，大家可以看看 Demo，不知道有没有类似这个的数据存储方案吗？我应该是第一次听说见到这样的方案。

#Memvid #数据存储 #视频编码 #语义搜索 #存储效率

Cell 细胞

3周前

Memvid，很有意思的项目，将文本数据编码为视频，实现高效的 AI 记忆管理。 🎥 视频即数据库：将数百万文本片段存储在单个 MP4 文件中。 ⚡ 快速语义搜索：支持自然语言查询，检索速度达到亚秒级。 💾 高效存储：相比传统数据库，存储效率提高约 10 倍。 🔌 离线运行：视频生成后可完全离线使用，无需依赖外部数据库。 📚 适用于数字图书馆、教育内容、新闻档案、企业知识库等多种场景。 🔗 项目地址：

#Memvid #AI记忆管理 #视频数据库 #语义搜索 #存储效率 #离线运行 #数字图书馆 #教育内容 #新闻档案 #企业知识库

johann.GPT

1个月前

Cursor 是如何用 Merkle 树 + RAG 实现快速索引代码库？ 💡 核心思路： 1️⃣ 本地用 AST 分割代码 → 构建 Merkle 树"指纹" 2️⃣ 只同步变更文件（增量更新，节省 90%+ 带宽） 3️⃣ 代码块 → Embedding 向量 → Turbopuffer 向量数据库 4️⃣ 用户提问 → 语义搜索 → 本地读取源码 → LLM 生成答案 🛡️ 隐私保护：源代码永远不离开本地，只有向量上传云端 ⚡ 效率爆表：Merkle 树让大型代码库秒级同步 🧠 智能理解：用 RAG 检索

#Merkle树 #代码索引 #RAG #LLM #隐私保护 #语义搜索