一、RAG加载文件一般包含4个步骤 加载文件（读取PDF / TXT / MD / DOCX） 拆分文本（切分成小块） 向量化（向量化模型生成向量） 存入向量库（Chroma...
发简信
IP属地：上海
-
提示词的几种构建方式,及改写过滤
提示词 一、字符串模板（最常用） 直接用from_template拼接字符串 适合场景：简单提示、RAG问答、固定格式的指定 二、消息格式（推荐！对话模型专用） 模拟syte...
-
-
LangGraph究竟是什么？
在大语言模型（LLM）应用从简单对话走向复杂任务自动化的过程中，线性链式流程（如传统 LangChain Chain） 逐渐暴露出局限性 —— 无法灵活处理循环迭代、条件分支...
-
LangChain 1.0 配置使用Langchain chat-ui
一、下载LangChain chat ui 下载地址：点此下载[https://github.com/langchain-ai/agent-chat-ui] ，也可以使用官网...
-
LangChain 1.0 到底什么是RAG？
一、概念 RAG:Retrieval-Augmented Generation（检索-增强生成） 二、理解RAG 1. 大模型的交互过程 生成式的大模型交互过程一般是： 基于...
-
Langchain 1.0 Agent短期记忆
Langchain 1.0 Agent短期记忆 一、自己实现 存在问题： 历史消息存储地方未知 重新运行程序记忆丢失 二、Langchain实现 Ⅰ InMemerySave...
-
LangChain 1.0 语义搜索
一、建立索引 建立索引总共3个步骤 1. 读取pdf 安装pdf依赖 以pdf为例，读取到的文件是按照页来管理的，读取出来的对象是Document；List[Document...
-
LangChain1.0之Model和Prompt
环境说明：代码内的common.get_model()方法为提取到公共类里面的方法 一、 深入核心：调校你的AI引擎 掌握init_chat_model的关键参数，进准控制模...
-
Advanced RAG 七、查询优化之Multi-Query 多路召回
一、为什么 当用户没有正确书写查询语句，或者LLM不能够正确理解用户查询语句的含义时，此时LLM生成的答案可能就不够完整和全面。 二、如何避免 当用户输入查询语句自然语言时，...
-
Advanced RAG 六、查询优化之Enrich一、问题 我们希望实现人们通过自然的口语对话来使用大模型应用。然而，在口语表达需求和意图时，人们往往会遇到一些问题。例如，表达过于简略或含糊，容易引发语义歧义，导致大模型产生...
-
Advanced RAG 五、索引优化小结
一、摘要索引 适用场景 适用于需要快速检索和生成简介上下文的场景 案例 在新闻资讯平台中，系统需要快速从海量新闻中提取关键信息，通过摘要索引可以迅速生成简洁的上下文，帮助用户...
-
Advanced RAG 四、元数据索引
在复杂的知识密集型应用中，可能会面临几百个不同来源于类型的知识文档。如果知识简单地依赖传统的文本分割与top-k检索，就会产生精度不足、知识相互干扰等问题，从而导致效果不佳。...
-
Advanced RAG 三、假设性问题索引
一、假设性问题索引是什么？ 假设性问题是一种提问方式，它基于一个或多个假设的情况或前提来提出问题。在对知识库中的文档内容进行切片时，是可以以该切片为假设条件，利用LLM预先设...
-
Advanced RAG 二、父子索引
一、父子索引 需求矛盾 我们在利用大模型进行文档检索的时候，常常会有相互矛盾的需求，如： 你可能希望得到较小的文档块，以便他们Embedding以后能够准确地反映出文档的含义...
-
Advanced RAG 一、摘要索引
一、为什么要使用摘要索引？ 在处理大量文档时，如何快速准确地找到所需的信息，是一个常见的问题。摘要索引可以用来处理半结构化数据，如许多文档包含多种内容类型，包括文本和表格。文...
-
RAG——检索增强生成
RAG认知与项目实践 一、RAG - 检索增强生成 为什么需要RAG时效性大模型无法询问最新的时事，比如问LLM：“抗战胜利80周年阅兵展示了哪些武器？”知识覆盖度虽然大模型...