基于此，大模型的RAG（Retrieval-Augmented Generation，检索增强生成）技术迅速崛起，成为有效破解这一难题的主流解决方案。 然而用户的实际需求和数据是多样的，导致通用RAG在实践中仍面临多重挑战，如检索信息缺失、复杂PDF解析困难、无法提取特定内容、格式 ...

总之RAG技术就像是一个“侦探+编剧+导演+编辑+老板+专家+新闻主播+裁缝+翻译官+服务员”的组合体，你得让它既能精准检索，又能自然生成，还得随时调整优化。用好了，它就是你的超级助手；用不好，它可能会给你编出一堆“恐龙发明Wi-Fi”的离谱故事！

拓展rag技术以支持多语言，尤其是资源匮乏的语言，是一个充满希望的发展方向。 致力于提升跨语言检索与生成能力，确保在不同语言中都能提供准确且相关的结果。提升rag模型对低资源语言的有效支持，需要开发在有限训练数据下进行内容检索与生成的方法。

RAG之前先做query分类 不是每个query需要召回增强，有些可以直接用大模型回答，例如摘要、续写、翻译等。query分类的目的是过滤和分流，把需要RAG的query送入RAG，把不需要RAG的query直接送入大模型。

Jun 15, 2024 · 在 rag（检索增强生成）简介的流程图中，有一个环节是检索向量数据库（下图中红色框标识的部分）。 向量数据库存储了外部知识库经过向量化处理的内容。

Mar 6, 2025 · Graph RAG是一种基于知识图谱的检索增强技术，通过构建图模型的知识表达，将实体和关系之间的联系用图的形式进行展示，然后利用大语言模型 LLM进行检索增强。 Graph RAG 将知识图谱等价于一个超大规模的词汇表，而实体和关系则对应于单词。

这初步说明一个结论：对于垂直领域RAG，精心设计流程+挑选sota模型+流程调优在初期带来的收益可能要大于微调模型。不过我们相信，经过微调后的模型可以让我们的pipeline获得更高的效果。希望这个工作能对RAG社区做出一些贡献，欢迎各位大佬批评指正！

Feb 5, 2025 · 这里之所以强调是官方渠道，是因为，接入DeepSeek的第三方渠道，质量参差不齐，尤其一些披着“推理”外衣的“RAG”模型大行其道，由于RAG数据源的信息本身就不准确，且还夹带私活，比如自媒体的广告，所以导致被接入的DeepSeek在打开联网模式后，数据源被 ...

在执行基本RAG检索时我们会将文档按指定的块大小(chunk_size)进行切割，然后进行embedding的向量化处理后存入向量数据库中，在检索时我们会计算用户问题(question) 与文档块的相似度，并选取K个最相似的文档(context)，并将其和用户问题一起发送给LLM, 并最终由LLM来 ...

RAG（检索增强生成）是近期几个大模型应用方向上 最难下笔的一个，一方面是因为技术方案仍在快速迭代；另一方面是市场对它的认知还存在一定偏差。目前市场认为：chatBI（让大模型做数据查询和分析）很有用但是有难度；Agent（让大模型自助规划任务实现 ...