登录社区云，与社区用户共同成长
邀请您加入社区
这两天整体就是期末周夹着面试准备一起往前走。数据库书本内容复习完了，顺便过了一遍事务和隔离级别；算法开始做栈专题，三道题都比较基础，但能帮我重新理解栈和队列的特性；数值计算刚开始复习，确实有点难。现在比较焦虑的是项目没时间看，尤其是 RAG 项目之前没有真正吃透。后面如果还有时间，我想把项目按“链路、核心问题、可优化点、面试怎么讲”重新整理一遍。期末周先活下来，项目和简历等考试结束后再集中补。
随着无人机技术在物流配送、电力巡检、应急救援、环境监测等领域的广泛应用，其作业环境逐渐从结构化静态场景向非结构化动态场景拓展。动态环境中存在移动障碍物（如行人、车辆、其他飞行器）、突发障碍（如临时施工区域、天气突变导致的危险区域）等不确定因素，对无人机的自主避障能力和路径规划实时性提出了严苛要求。传统路径规划方法（如 A*、Dijkstra 算法）虽能在静态环境中生成最优路径，但面对动态变化时存在
工业现场最怕“低频故障”：一年才出两三回，回回都是新症状。用 ChatGPT 直接问？它只会给你“通用答案”。用传统 RAG？先请老师傅把 10 年维修记录“标注”一遍，成本直接劝退。中南大学+哈工大团队最新发表在《Advanced Engineering Informatics》的研究，把“强化学习”塞进 RAG：不标数据、不调 LLM，只靠一个“游走”智能体，在维修日志里自己找答案。实测结果：
检索增强生成（RAG）优化技术通过改进检索质量、增强生成准确性和提升系统效率，解决传统RAG系统在模糊查询处理、幻觉抑制和复杂问题应对等方面的不足。其核心在于优化索引、检索和生成全流程，包括数据预处理、查询改写、混合检索、上下文压缩和引用溯源等关键技术。RAG优化实现了高忠实度、强相关性和低延迟等特性，相比纯微调或提示工程更具实时性和可解释性，但需权衡成本与效果。该技术适用于智能客服、法律咨询等场
RAG（检索增强生成）通过检索专业领域知识增强LLM回复质量，解决专业知识不足问题。完整流程包括数据清洗、chunk分块、Embedding嵌入、检索和生成。数据清洗确保知识质量；分块优化检索效率；Embedding将文本转为向量存入数据库；检索采用全文、向量或混合技术；最后结合用户问题与检索知识生成高质量回答。
保证100%免费。
文章深入探讨了嵌入模型在RAG系统中的核心作用，系统介绍了词嵌入、句嵌入、文档嵌入等类型及其适用场景，并解析了上下文窗口、分词方式、维度等关键参数。通过医疗论文检索实例，演示了如何根据实际需求选择合适嵌入模型，并介绍了MTEB基准测试工具的使用方法。文章强调，选择嵌入模型应超越单纯依赖评分，而应综合考虑应用场景、语言支持、专业词汇处理能力等实际因素。
在人工智能领域，检索增强生成（Retrieval Augmented Generation, RAG）是一种结合信息检索和生成式人工智能的技术，它通过从外部数据源中检索相关信息，来辅助大语言模型（Large Language Model, LLM）生成更为准确、上下文相关的答案。
你是不是也受够了那种每次咨询都要重复订单号、换个问法就听不懂、上下文全靠你手动拼接的“人工智障”客服？别急，今天我就带你一步步搭建一个真正智能的客服系统，支持多轮对话、记忆上下文、无缝对接业务数据，关键还能把成本打下来——最多能省70%！
B 树是一种平衡搜索树（balanced search tree），但它不是为了在内存中高效访问而设计的，而是为了在**磁盘（disk）或固态硬盘（SSD）这种外部存储设备（secondary storage）**上高效操作。B 树的**分支因子（branching factor）**很大（50～2000），意味着它的高度远小于红黑树。例如：B 树是对二叉搜索树（BST）的自然推广。在二叉搜索树中
本文探讨了Agentic AI的评估方法，重点介绍了大语言模型（LLM）应用在多轮对话、检索增强生成（RAG）和智能体（Agent）场景下的评估指标与工具。传统NLP任务依赖准确率、BLEU等指标，而现代LLM应用更依赖语义评估和LLM-as-a-judge模式。多轮对话需关注相关性、知识留存等指标；RAG系统需分别评估检索（如Precision@k）和生成环节；智能体则需测试任务完成度和工具调用
RAG系统优化：相似度召回与重排序的协同作用 本文探讨了RAG系统中相似度召回与重排序的协同工作机制。相似度召回负责从海量文档中快速筛选候选内容，而重排序则对召回结果进行精细筛选，提高最终输出的准确性。作者通过实际案例展示了两种方法的互补性：当降低相似度阈值提高召回率时，重排序能有效过滤无关内容。文章还对比了Embedding模型的高效性与Reranker模型的精准性，指出两者结合可实现效率与准确
摘要：RAG与智能体技术在大模型应用中各有特点。RAG通过检索外部数据单向增强模型输入，而智能体不仅能获取数据，还能通过工具与外部环境双向交互（如自主调用接口、下单等）。智能体功能更强大灵活，被称为"Agentic RAG"，而RAG实现更简单。两者存在交集，但智能体应用范围更广，代表了更先进的大模型应用方向。
本文详解大模型生态五大核心技术：MCP（连接外部世界的接口）、Agent（智能执行体）、RAG（检索增强生成，解决幻觉问题）、RPA（自动化执行者）和A2A（智能体间协作协议）。这些技术共同构建了更智能、高效的AI应用体系，推动AI向"能理解、会思考、可行动"的通用人工智能迈进。文末提供系统学习资源，帮助读者从零入门到实战掌握大模型技术。
本文聚焦大模型在企业中的执行行动应用类型，以制造业订单自动化处理为例，详细介绍了多模态大模型与文档解析工具结合的技术架构，以及解决格式复杂、信息提取精度不足和行业知识缺乏三大难点的方法。通过工作流和多智能体系统，实现从订单信息提取到系统录入的端到端自动化处理，为企业带来显著效率提升和业务价值。
