登录社区云，与社区用户共同成长
邀请您加入社区
RAG 的成败不在大模型，而在系统工程。本文系统拆解生产级 RAG 架构的七大核心环节，揭示为何多数 Demo 级方案无法落地，并给出可工程化的实践路径。
摘要：中国科技大学与Metastone Technology联合提出的A-RAG框架对传统检索增强生成(RAG)技术进行了革新性升级。该技术通过赋予语言模型自主控制检索工具的能力，实现了动态检索策略选择和迭代信息收集。相比传统RAG的固定检索流程，A-RAG提供了关键词搜索、语义搜索和文本读取三种工具接口，在多跳问答任务中准确率提升10-20个百分点。该框架解决了传统RAG在检索维度单一、检索生成
无论是AutoGPT的自主任务完成，还是ChatGPT的插件生态，都在向我们展示：AI正在从“工具”向“伙伴”演进。
这个项目真心不错，结构化得特别好，把复杂的 LLM 领域拆解成了三个清晰的部分，对想系统学习的同学来说，简直是福音。
多数场景下，企业开发AI应用常面临：接入或扩展企业已有业务系统并加入AI功能；接入三方系统或AI应用；从0构建AI应用并接入已有业务数据。
最强编程Agent Claude Code结合最强国产开源模型GLM4.6部署教程
大模型训练成本很高，且在推理过程中需要大量的计算资源，为了能够实现大模型应用落地，需解决大模型推理成本、模型响应速度等问题，这就需要对大模型进行推理优化。
不用记复杂的学术定义，小白一句话读懂：Agentic RAG，就是融合了Agent自主能力的RAG。Agent的核心能力是“自主推理、自主规划、自主行动”，把这种能力融入到传统RAG中，让RAG不再是“被动检索的工具”，而是能“主动思考、灵活应对复杂任务”的系统——这就是Agentic RAG的本质。Agentic RAG就是将AI智能体的自主规划（如任务路由、行动步骤拆解、结果反思等）能力，融入
今天，我们将通过一份2025年AI Agent开发路线图，全面解析Agent开发领域的核心技术栈和发展路径。
本文在前期实践基础上，进一步补充和详细解读了使用 LLaMA Factory 工具，在国产DCU（海光 K100-AI）上对 Meta-Llama-3-8B-Instruct 模型进行 LoRA 微调、推理及导出各阶段的关键日志输出和核心测试信息。
RAG（Retrieval Augmented Generation，检索增强生成）技术，最早由Facebook（现Meta）在2020年发布的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中提出——可能很多新手会惊讶，这项现在看似“热门”的技术，其实早在4年前就已经诞生。这篇论文要解决的一个问题非常简单：如
文章介绍了AI Agent智能任务框架的设计与实践，阐述了从传统定时任务到智能订阅的范式演进，提出了基于事件驱动的智能任务系统架构。通过"分身"部署、状态机管理和多级缓存等技术，实现了AI Agent从"被动问答"到"主动服务"的转变，解决了高并发、长耗时任务等工程挑战，使AI Agent能够24小时不间断地为用户提供个性化服务。本篇导读在LLM驱动的应用进入深水区后，开发者们发现：即便Agent
我们将使用 Google 开源的 Agent Development Kit（ADK），结合 Gemini 大语言模型 和 MCP 工具协议，从零构建一个智能航班查询 Agent
自监督学习是一种机器学习范式，它不依赖人工标注的数据，而是通过数据自身提供的内在结构或隐藏信息来生成监督信号，从而进行模型训练。
在这篇文章中，我将带你系统梳理 LlamaIndex 的框架入门介绍、RAG全生命周期能力，以及那些在真实项目中能显著拉开效果差距的“黑科技”～
今天我们探讨一个话题：在大模型项目落地的过程中，如何判断是选择RAG还是微调。我相信这也是困扰很多朋友的问题。为了深入讨论这个话题，我首先跟大家对比一下RAG和微调的本质区别。
本文从零开始，带你避坑踩雷，5分钟搞定高性能环境，让大模型在你的电脑上“飞”起来！
嵌入（Embedding）技术不仅适用于文本数据，还可以用于图像、音频等多模态数据的表示。所以它被广泛应用于各类人工智能的任务中，比如图像检索、人脸识别、智能问答系统、推荐系统、企业知识库系统等。
本文以生动比喻系统介绍了LangChain知识体系框架。文章将大模型应用比作森林，LangChain则是导航地图和工具包。内容分为六个层级：1）底层基础（LLM、Prompt、Embedding）；2）核心模式RAG（检索增强生成）；3）开发框架（组件化设计、LCEL语法）；4）高级编排（LangGraph状态图、代理工具）；5）服务部署（LangServe API化）；6）运维监控（LangSm
本文介绍了如何使用芝麻小客服+ChatWiki组合搭建RAG智能客服系统，解决传统客服痛点。通过全渠道接入、创建AI机器人并上传知识库实现RAG学习、分配渠道权限以及配置人机协同，实现7x24小时精准应答，降低人力成本并提升服务质量。
本文从人工智能的基本概念出发，详细介绍了狭义AI和通用AI的分类，以及机器学习、深度学习等核心技术方法。文章重点解析了当前最热门的三大AI概念：Agent（智能体）、RAG（检索增强生成）和多模态模型，阐述了它们各自的能力、核心组件、应用场景及代表产品，如阿里通义千问、字节豆包、月之暗面Kimi等。同时，文章还探讨了多模态模型在图文理解、文生图/视频、跨模态对齐与生成等方面的能力，并指出了当前技术
将非结构化文档转化为高质量、结构化、大模型友好的数据，已成为企业升级AI文档中台的关键能力
本书由 Jay Alammar 与 Maarten Grootendorst 联袂创作，两位在大模型与自然语言处理领域具有广泛影响力的专家，内容融合广受欢迎的图解系列精华，一经推出便获得业内高度评价。
Agent Skills是一种标准化格式，旨在为AI智能体提供专业知识和工作流程。它通过“技能包”机制，将指令、脚本和资源组织成文件夹，使智能体能自动发现并执行，提升工作效率。Agent Skills解决了AI在领域专业知识、组织特定上下文和可重复工作流程方面的不足，避免了提示词漂移、工作流约定丢失和指令膨胀等问题。它具有领域专业化、能力扩展、可重复工作流和跨平台互操作性的核心价值，适用于代码审查
RAGFlow 是 infiniflow 团队开源的一款 基于深度文档理解的 RAG（Retrieval-Augmented Generation）引擎。
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应
在当前LLM（大型语言模型）的应用浪潮中，检索增强生成（RAG）已成为相对成熟且应用最广的落地模式之一。但无论是从最初的Naive RAG演进到Advanced RAG，还是最新的Agentic RAG，其核心都离不开一个关键底座：知识库管理系统。
如果你想玩转当前所有主流的扩散模型（无论是 Stable Diffusion、ControlNet，还是最新的 SDE/ODE 模型），这个库是绕不过去的。它在易用性（Usability）和简洁性（Simplicity）上做到了极致。
本文详细介绍了RAG系统中核心的Embedding和Rerank模型。Embedding模型负责将文本向量化以进行相似度检索，而Rerank模型则在检索基础上进一步精确排序，提升相关性。文章从功能目标、应用阶段和技术实现三个维度对比了两种模型，并辅以实例说明，适合初学者和程序员学习大模型基础知识。Embedding和Rerank模型是RAG系统中的核心模型。在RAG系统中，有两个非常重要的模型一个
LightRAG 是由香港大学数据智能系统实验室（HKUDS）开源的 轻量级检索增强生成框架，专注于把大型语言模型（LLM）与外部知识库高效、可扩展地结合在一起。
LangGraph 基于 LangChain 之上，是一个基更高级的 AI Agent 编排框架，可以处理复杂的 Workflow 编排和 Multi-Agent 编排。
这是一个RAG系统，能把扫描的法律文件分块、嵌入到本地的FAISS索引中，在查询时做最近邻检索，把排名靠前的、带引用的上下文喂给Claude，生成事实准确、带来源的答案，而且所有数据从没离开过事务所的网络。
今天为大家介绍的是Qwen3与MCP服务结合，实现Excel数据的可视化。在日常工作和生活中，我们经常会遇到各种数据处理需求。
不需要你懂 AI，即便你是一个刚入门的“小白”，在这里也能够跟着教程一步步学会并构建属于自己的大模型
LangChain 是一个开源的开发框架，旨在帮助开发者更轻松、更高效地构建基于大型语言模型 (LLM) 的应用程序。你
摘要：多模态RAG系统通过融合文本、图像等异构数据，突破传统RAG的文本局限，实现更全面的信息处理。其实现流程包括文档解析、多模态嵌入融合和上下文构建三个核心环节，需解决跨模态对齐、语义关联等挑战。尽管面临工程落地难题，多模态RAG在工程设计图等场景已展现应用价值。随着AI大模型快速发展，掌握多模态技术将成为应对行业人才缺口的重要方向。（149字）
RAG系统对比研究：Enhanced与Agentic架构的实测分析 研究对比了两种检索增强生成(RAG)架构：规则化的Enhanced RAG与自主决策的Agentic RAG。实验显示，在金融等特定领域，Agentic的意图识别准确率高达98.8%，查询改写环节NDCG指标平均提升2.8点；但在开放域任务中，Enhanced的固定流程更稳定。成本方面，Agentic的token消耗是Enhanc
本文介绍了智能体（Agent）技术在大语言模型产业应用中的关键作用。文章指出，智能体通过记忆管理、工具学习和规划能力，有效连接AI与现实需求。然而，智能体开发面临资源消耗大、效率低等问题。通过优化框架和真实案例，如马来西亚诺丁汉大学的NOVA智能助手，展示了智能体在招生咨询等场景的应用。文章还探讨了记忆管理、工具学习和规划能力等技术要点，并提供了从实验室到生产环境的工程落地建议，强调数据质量、安全
先说我的经历，传统后端开发入职阿里，工作一年后转大模型应用层。两年Agent、RAG经验，拿到字节超30%涨幅Agent开发岗位offer。**第一阶段：**了解LLM能干啥，当API使用，Agent探索，这阶段提示词怎么写很值得学习，吴恩达的课程讲的很好推荐去学。**第二阶段：**了解LLM模型大致原理，Transformer模型基本原理，注意力机制，SFT，模型微调，Pytorch这种框架使用
RAG（Retrieval-Augmented Generation）通过结合信息检索和文本生成，有效解决了大模型的知识时效性和幻觉问题。文档预处理: 文本分块、嵌入向量化向量检索: 相似度搜索、重排序生成增强: 上下文注入、结果生成大模型应用开发是一个快速发展的领域，作为Java后端开发者转型AI工程，关键是要理解底层原理，掌握核心模式，并持续关注最新技术发展。通过系统性地掌握RAG优化、框架选
本文介绍了如何在星图GPU平台上自动化部署通义千问3-Reranker-0.6B镜像，实现低资源环境下的文本重排序功能。该镜像专为4GB显存设备优化，适用于RAG系统中的检索结果精排场景，显著提升知识库问答与语义搜索的相关性与准确性。
本文介绍了如何在星图GPU平台上自动化部署通义千问3-Reranker-0.6B镜像，实现文本重排序功能。通过平台一键部署，开发者可快速构建RAG系统中的相关性精排模块，显著提升搜索与知识问答结果的准确率，适用于技术文档检索、智能客服应答等典型场景。
我们为你精选了 5 本兼具深度与实用性的 AI 工程书籍，覆盖从底层原理到云端部署的完整知识链。无论你是刚入门的新手，还是希望进阶的工程师，这些书都值得一读。
检索增强生成技术的发展，正在重构大语言模型与外部知识的交互方式，为 AI 应用的落地提供了更可靠、更灵活的技术路径。2025 年多模态融合、动态知识管理等核心突破，进一步拓宽了 RAG 的应用边界，使其从文本领域走向更复杂的真实场景。作为科研工作者，我们既要关注技术创新带来的性能提升，也要重视实际应用中的落地挑战。未来，随着算法优化、架构创新和行业实践的不断深入，RAG 技术必将在更多领域发挥核心
AI智能体（Agent）正迅速从前沿概念走向实际应用。要构建一个高效、可靠的智能体，离不开一系列核心技术的支撑。本文将对当前主流的8大核心技术进行解析，帮助大家全面理解其工作原理与应用价值。
在当今的人工智能时代，NLP技术已经深入渗透到我们日常生活的各个方面，从智能助手、语音识别到机器翻译和文本生成，NLP正在以令人瞩目的速度改变着我们的生活方式。
RAG
——RAG
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
ModelScope魔搭社区
