登录社区云，与社区用户共同成长
邀请您加入社区
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。
Function的调用时Agent实现很重要的一步，只有了解了这个原理才可以更好的创建Agent。
本文是台大教授李宏毅讲授AI Agent的爆火油管视频的文字稿。内容层层递进，是学习和理解AI Agent难得的好教材。
这是一个集成了几十种 LLM 应用场景的超全 demo 集，覆盖了几乎所有你能想到的 AI agent 使用场景。
Dify 是一个开源的大语言模型（LLM）应用开发平台，融合了后端即服务（Backend as a Service, BaaS）和 LLMOps 的理念，旨在帮助开发者快速构建和部署生成式 AI 应用。
Awesome LLM Apps 开源项目给出了一个极具参考价值的答案——它是一个精心策划的LLM应用集合，涵盖AI代理（AI Agents）、检索增强生成（RAG）和多模型集成，为开发者提供了从理论到实践的完整路径。
AI Engineering》这本书以其全面性、时效性、实用性和可读性,成为了AI/LLM时代每个从业者和爱好者的必读书籍
今天给大家推荐这个大模型入门学习项目，实在是太香了太香了，目前该项目已经超过3000星，具体的文章分类如下所示。
这波AI浪潮，很多新词把人都绕晕了，如AI Agent（人工智能代理）、RAG（检索增强生成）、向量知识库、提示词工程、数据提取和解析、自然语言处理（NLP）、知识图谱以及图处理等。本文试图深入探讨这些概念，让大家一下子就能分辨。
开箱即用：封装了完整的微调流程，无需手动实现训练循环自动生成训练数据：使用LLM自动生成问答对，大大降低数据准备成本灵活的模型支持：支持多种Embedding模型（BGE、OpenAI等）完善的评估工具：内置评估函数，方便对比不同模型效果通过本文的实战教程，我们完成了：✅ 从PDF文档自动生成训练数据✅ 使用LlamaIndex微调BGE模型✅ 评估并对比微调前后的效果无需人工标注，LLM自动生成
本文提出构建多模态运维Agent的创新思路，将可视化监控数据（时序图、拓扑图、抓包图）与日志文本结合，利用多模态大模型实现智能故障诊断。文章详细设计了系统架构，包含截图采集、上下文构建和多模态分析三大模块，并规范了输入输出接口。重点阐述了从Grafana等监控系统获取图表截图的技术方案，以及如何组织"图表+日志"的上下文信息。通过结构化Prompt设计，使Agent能输出包含异
今天，让我们深入剖析RAG技术的方方面面，从基础概念到高级优化，从理论原理到实战案例，帮你构建真正可用的企业级AI知识系统。
为了让大家全方位吃透AI Agent，还能积极投身到生态建设里，好多公司都纷纷甩出了官方智能体解读和白皮书。
本文介绍ICLR 2025论文《SePer》，提出用语义困惑度(SePer)评估检索增强生成(RAG)中检索对答案的实际效用。该方法通过对比检索前后语义簇分布的不确定性变化，比传统相关性指标更准确反映检索对答案生成的实质性帮助。实验显示SePer与检索效用的相关性(平均0.778)显著优于ROUGE-L/NDCG等基线，且采样10次即可稳定。研究发现无关检索会对大模型产生显著负面影响，SePer可
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
