一套完整的基于检索增强生成(RAG)架构的知识图谱建立和查询引擎，利用Pinecone向量数据库技术，能快速构建自定义的RAG模

一套完整的基于检索增强生成(RAG)架构的知识图谱建立和查询引擎，利用Pinecone向量数据库技术，能快速构建自定义的RAG模型，随时查询文档库给出相关回答，实现了完整的RAG工作流程：从文档的切分、embedding到会话记录管理、查询优化、上下文检索以及增强生成，可帮助开发者快速构建自己领域的问答系统，也支持迁移现有基于OpenAI API的应用 |

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

微软昨晚重磅开源了强大无比的 RAG 方案GraphRAG。

微软昨晚重磅开源了强大无比的 RAG 方案GraphRAG。 在社区摘要应用中，GraphRAG 在全面性和多样性上以 70-80% 的胜率大幅领先于传统 RAG。 GraphRAG 是一种基于图的 RAG 工具，通过 LLM 从文档集合中自动提取丰富的知识图谱，助力处理私有或未知数据集的问答。 GraphRAG 能通过检测图中的“社区”（即密集连接的节点群组），从高层主题到低层话题，层次化地划分数据的语义结构。 它利用 LLM 为这些社区生成摘要，提供对数据集的全面概览，无需事先设定问题。 这种方法尤其适合回答全局性问题。 项目页面：

知人知面不知心，当面一套背面一套

知人知面不知心，当面一套背面一套 网友投稿：#康孝颖 金木棉特区好心好意借钱帮你，说好的还钱日期也不还，搞失踪不回复，有认识的人避免下坑，要求很简单还我借给你的钱，欠债还钱天经地义，如果你不想还直接说，不需要还去删除聊天记录，我可以不要这个。

知人知面不知心，当面一套背面一套

知人知面不知心，当面一套背面一套 网友投稿：#康孝颖 金木棉特区好心好意借钱帮你，说好的还钱日期也不还，搞失踪不回复，有认识的人避免下坑，要求很简单还我借给你的钱，欠债还钱天经地义，如果你不想还直接说，不需要还去删除聊天记录，我可以不要这个。 众联全站导航万能超级搜索

.别安慰别人的时候一套一套，安慰自己的时候找个绳子套一套。

.别安慰别人的时候一套一套，安慰自己的时候找个绳子套一套。 .那些人人羡慕的精英，其实过得并不如你想象的那样好。但肯定比你是强得多。 .很多时候别人对你好，并不是因为别人喜欢你，而是因为他们喜欢对人好。