企业官网建设流程全解析

上海专业的网站建设公司排名,网页升级紧急通知记好,小程序公司排名前十,fontawesome wordpressRAG#xff08;检索增强生成#xff09;是解决大语言模型知识截止和幻觉现象的有效方法。文章介绍了RAG的演进历程#xff1a;从基础的Naive RAG#xff0c;到Advanced RAG的优化改进#xff0c;再到Modular RAG的工程化实现#xff0c;Graph RAG的图结构增强#xff0c…RAG检索增强生成是解决大语言模型知识截止和幻觉现象的有效方法。文章介绍了RAG的演进历程从基础的Naive RAG到Advanced RAG的优化改进再到Modular RAG的工程化实现Graph RAG的图结构增强以及最新的Agentic RAG的智能化动态决策。不同类型的RAG各有特点和优势未来RAG将向更智能化和数据多元化方向发展成为LLM的好搭档。1、RAG 是什么介绍 RAG 前先介绍大语言模型LLM面临的两个问题一是 LLM 的知识截止二是 LLM 存在幻觉现象。1.1知识截止LLM 训练不是实时的而是离线训练好的。在训练过程中使用的数据都是提前准备的而且大多数是公开、开源的数据这就导致了 LLM 训练后具备的知识是有范围的。换句话说**模型知识仅限于训练数据所涵盖的知识范围**对于新的知识比如今天的新闻或未训练的知识比如未公开的数据模型本身不具备这些知识仅具备推理能力。1.2 幻觉现象幻觉现象有多种维度的解释。一方面LLM 是一个条件概率模型以前文作为条件的词表概率逐词生成文本这一机制导致其可能出现**看似逻辑严谨概率高但其实缺乏事实依据的生成也就是“一本正经地胡说八道”。另一方面LLM 的训练过程是对训练数据的知识进行压缩提炼的过程但不是无损压缩知识**边缘知识容易在主流知识冲击下出现扭曲导致产生了幻觉。打个比方LLM 好比一个多年备战的考生当他在做试题的时候遇到他从没学过的新学科知识点时就无从下笔**知识截止当他遇到他没掌握牢固的知识点时就凭借模糊的记忆或真或假地编了个答案幻觉现象**。1.3 RAG而 RAG 就是一种能够有效幻觉模型知识截止和幻觉现象的方法。RAG 是检索增强生成Retrieval-Augmented Generation的缩写。检索增强生成是指对大语言模型LLM输入进行优化使其能够在生成响应之前引用训练数据来源之外的知识作为回答的根据。这是一种经济高效地改进 LLM 输出的方法让 LLM 保持相关性、准确性和实用性。RAG系统有两个最主要的组成部分检索Retrieval查询外部数据源例如知识库、向量数据库或者网页搜索API。常见的检索方法有全文检索、向量检索、图检索等。生成Generation将检索信息提供给 LLM生成回答。对于大模型这个考生来说RAG 就像参考书或者“第二个大脑”让模型遇到没学过或者学不牢的知识点时可以翻一翻书找参考资料提高回答问题的准确性。2、RAG 的发展从近年 RAG 的发展历程看RAG 主要经历了 Naive RAG、Advanced RAG、Modular RAG、Graph RAG以及最近热门的 Agentic RAG 几种类型的发展。Naive RAG是 RAG 最基础的实现。Advanced RAG是在 Naive RAG 的基础上对检索前、检索、检索后分别进行优化。Modular RAG代表了主流 RAG 的工程化实现。Graph RAG利用图检索能力让 RAG 增强 multi-hop 检索和丰富上下文。Agentic RAG利用 Agent 能力让 RAG 有了智能化的思考分析大大增强了检索能力。2.1 Naive RAGNaive RAG 是 RAG 系统的最基本实现使用单一的全文检索或向量检索从文档集合中检索出与 query 相关的文档直接将检索的文档用于增强 LLM 的生成。Naive RAG 具有几个局限性缺乏语义理解全文匹配依赖词汇匹配无法捕捉到 query 与文档之间的语义关联向量检索受限于间接匹配语义理解能力也不足。输出效果差由于缺乏对 query、文档的高级预处理、后处理召回的文档容易包含过多或过少信息导致最终生成的回答过于宽泛。效果优化困难系统过于依赖单一检索技术未对 query、文档进行增强导致优化局限于检索技术。2.2 Advanced RAGAdvanced RAG 在 Naive RAG 的基础上对检索前、检索、检索后三个阶段进行改进。在检索前阶段增强文档质量比如优化章节结构、增强标题等过滤低质量信息优化索引结构优化 chunk size 使得 context 粒度符合应用场景的需求优化索引信息对 chunk 进行提取、增强作为 embedding 文本对用户 query 的进行 rewriting。在检索阶段使用域内知识对 embedding 进行 fine-tune或使用 llm-based embedding 模型生成对上下文理解更准确的语义向量。在检索后阶段增加 reranking 提高检索文档的相关性增加 context-compression 使提供给模型的信息更加集中。2.3 Modular RAGModular RAG 是当前主流的 RAG 系统设计将检索和生成分解为独立可复用的组件从而实现特定域的优化和任务适应性。Modular RAG 将 RAG 系统所使用到的多种检索、存储、路由等等全部模块化并且可以根据特定的场景对这些模块进行重新排列如多种检索方式的混合检索等以取得更好的效果。2.4 Graph RAGGraph RAG 使用图结构来扩展传统的 RAG 系统利用图的关系和层级结构增强 multi-hop 推理和 context 丰富度。Graph RAG 可以生成的结果更丰富更准确特别是对于需要关系理解的任务。Graph RAG 具备以下局限性高质量图数据依赖高质量的图数据对 Graph RAG 非常关键如果处理出高质量的图数据有时很困难特别是对于无结构的纯文本或标注质量不高的数据。应用的复杂性对于一个 RAG 系统同时支持非结构化数据和图数据的混合检索会增加检索系统设计和实现的复杂性。2.5 Agentic RAG与前面的静态 RAG 不同Agentic RAG 使用能够动态决策和工具调用的 LLM-based agent来解决更加复杂、实时和多域的查询。得助于 LLM-based 的工具调用能力**Agentic RAG 能够使用更多更复杂的工具来辅助检索**比如搜索引擎、计算器等各类以 API 形式能够访问的工具。另外 **Agentic RAG 可以根据实际的检索场景动态决策**比如决定是否进行检索、决定使用什么工具检索、评估检索到的上下文决定是否需要继续检索等等。3、总结RAG特点优点Naive RAG- 单一索引如TF-IDF、BM25、向量检索- 简单易于实现 - 缓解模型幻觉Advanced RAG- 文档增强 - 索引优化 - query重写 - reranking- 更准确的检索 - 增强检索相关性Modular RAG- 混合检索 - 工具、API集成 - 模块化、工程化的实现- 更强的灵活性 - 适应更多元的场景Graph RAG- 图结构索引 - multi-hop推理 - 基于图节点的上下文内容增强- 关系推理能力 - 适合结构化数据Agentic RAG- 使用LLM-based agents - 动态决策、检索 - 自动流程优化- 更高的检索准确性 - 适合更复杂、更多域的任务从 RAG 近年来的发展的来未来 RAG 的发展有几个方向智能化随着 LLM 应用的发展功能越来越复杂对 RAG 的要求也会越来越高。Agentic RAG 是这个方向的开始未来更加智能的 RAG 才能成为 LLM 的“好搭档”。数据多元化Graph RAG 让 RAG 有了图检索的能力但是如何将普通文本、图数据以及其他类型的数据比如代码、图片等等多元化的数据兼容到一个统一的 RAG 系统里进行索引、检索、排序未来复杂 LLM 应用将会对这个能力提出挑战。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2025 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取