由于 Telegram 的检索功能太烂，特别是中文，故专门为频道搭建了一个信息引索 bot，支持中英文检索。

由于 Telegram 的检索功能太烂，特别是中文，故专门为频道搭建了一个信息引索 bot，支持中英文检索。 使用方法: 私聊 @yummy_search_bot，发送内容，点击检索结果即可跳转频道对应消息 下面几条命令任何用户都可以使用： 1./search [keyword]: 搜索消息，同去掉 /search 的情形等价。 2./chats [keyword]: 列出所有被索引的，标题中包含 keyword 的会话列表。如果没有指定 keyword，则返回所有的会话。bot 会返回一列按钮，点击一个按钮之后这条消息就对应了一个会话。有一些指令包含 chat_id 作为参数，对于这些指令，如果没有指定 chat_id 参数，那么可以通过回复这条消息来把会话的 ID 当作参数。如果回复搜索的关键词，则只搜索这个会话中的消息。 3./random：返回一条随机的消息（暂不支持指定会话） 标签: #bot #中文搜索 频道: @GodlyNews1 投稿: @GodlyNewsBot

Telegram 团队在他们的博客上发布了一篇文章，详细描述了通过内置编辑器创建新贴纸、向贴纸包添加贴纸、扩展贴纸包等的过程。

Telegram 团队在他们的博客上发布了一篇文章，详细描述了通过内置编辑器创建新贴纸、向贴纸包添加贴纸、扩展贴纸包等的过程。 在文章最后，开发者宣布本月他们将发布另外 16 个新功能。您现在可以在我们的中阅读其中一些内容。 文章(原文）： 中文译文：(仅对原文进行翻译） 订阅第一时间获得内容更新 标签: #Telegram #Blog 频道: @GodlyNews1 投稿: @Godlynewsbot

elvis写了一篇非常详细的文章来介绍 RAG 生态的所有部分，还会添加清晰易懂的参考文献列表以及技术性编程教程帮助提高 RAG

elvis写了一篇非常详细的文章来介绍 RAG 生态的所有部分，还会添加清晰易懂的参考文献列表以及技术性编程教程帮助提高 RAG 系统的性能。 主要内容来自《大语言模型的检索增强生成：一项调查》这篇论文，我简要总结了一下文章每个部分的内容，感兴趣可以去看原文： 检索增强生成（Retrieval Augmented Generation, RAG）技术，旨在通过结合外部知识源，如数据库，来提升大语言模型（LLMs）的能力。它主要用于解决领域知识的缺失、事实性问题和生成错误。RAG特别适用于那些需要最新知识、又不需针对每个特定任务重复训练LLM的应用场景，比如对话代理和知识密集型任务。 RAG如何工作 RAG通过接收输入的提示信息，从资源如维基百科中检索相关文档，再将这些文档作为上下文来生成回答。这种方法使LLMs能够访问最新的信息，并生成更准确、更可控、更相关的内容。它能及时适应不断变化的信息，这对于LLM来说至关重要，因为它们的知识库本身是静态的。 RAG系统的发展 RAG系统已经从初级阶段（Naive RAG）发展到高级阶段（Advanced RAG）和模块化阶段（Modular RAG），以解决性能、成本和效率的限制。高级RAG通过优化不同阶段，如预检索、检索和检索后处理，来提高检索质量。模块化RAG则通过调整不同的功能模块来适应特定问题的背景，提供了更大的灵活性。 RAG系统的关键组成 检索：包括提升语义表示、对齐查询与文档，以及调整检索器输出以符合LLM的偏好。 生成：涉及将检索到的信息转化为连贯的文本，并在检索后对LLM进行微调。 增强：在生成任务中融合检索到的段落的上下文，包括不同阶段和增强数据源。 RAG与模型微调 RAG适合用于集成新知识，而模型微调则有助于提升模型的性能和效率。这两种方法可以互补，结合提示工程（Prompting Engineering），能够优化LLM在复杂和可扩展应用中的表现。 RAG的评估 RAG系统的评估基于检索到的上下文质量和生成的内容质量。评估指标包括规范化折扣累计增益（NDCG）、命中率、F1值和精确匹配（EM）等。评估重点是上下文的相关性、答案的准确性和相关性，以及抗噪声能力和信息整合能力。 RAG面临的挑战与未来展望