登录社区云，与社区用户共同成长
邀请您加入社区
本文对比了传统RAG与GraphRAG的优劣。传统RAG依赖向量检索，存在召回精度低、多跳关联缺失等问题。GraphRAG通过构建实体-关系知识图谱，实现精准的多跳知识检索，有效弥补传统RAG的不足。文章指出GraphRAG适用于技术文档等低频更新场景，但构建成本较高，强调其应作为RAG的增强而非替代。最后提供了AI大模型学习资源，帮助读者掌握前沿技术。
DocKS-RAG融合文档级知识图谱和句子级语义检索增强生成，通过混合提示调优提升大语言模型在文档级关系抽取任务上的性能。该方法利用图神经网络构建结构化知识，结合语义检索丰富上下文信息，采用LORA实现参数高效微调。在DocRED和Re-DocRED数据集上，Ign-F1和F1分数均优于现有方法，有效解决了结构建模不足和语义错位问题。
本文对比分析了深度搜索(Deep Search)与检索增强生成(RAG)两大技术。深度搜索是传统搜索与AI的结合，侧重于基于语义的精准检索，输出搜索结果列表；而RAG则侧重于根据检索结果增强大模型生成能力，直接输出自然语言回答。两者目标相似但技术路径不同，深度搜索可作为RAG的检索模块，共同应用于搜索引擎、智能客服等场景，是互补而非替代的技术范式。
本文章用于通过docker使用开源项目ragflow创建自己的本地知识库。文章以搭建为主要内容，从使用目的，原理出发，适用于小白第一次学习下载开源项目使用
本文详细介绍了如何使用RAG技术构建企业级问答系统，从基础实现（文档切分、向量化、检索）开始，逐步引入评测体系、总结索引、重排序等优化技术，并通过量化指标驱动系统迭代。文章提供了完整的工程实现方法和可复用的模式，帮助读者建立"先度量后优化"的系统优化思维，最终实现高准确率的企业级问答解决方案。
RADIO提出了一种基于理由蒸馏的偏好对齐框架，解决RAG系统中重排序器与生成器之间的偏好不一致问题。该方法首先利用LLM提取回答查询所需的显式理由，然后基于这些理由对文档重新排序并微调重排器，使其识别并优先选择支持生成器产生准确回答的文档。实验表明，RADIO在开放域问答、多选题和多跳推理任务中均取得显著性能提升，且在不同生成器上表现出良好的可迁移性。
本节我们介绍：MaxKB。MaxKB是基于大语言模型和RAG的开源知识库问答系统，主要应用于企业内部知识库和问答服务等场景。
介绍了Milvus向量数据库
摘要： 2025年被视为“AI Agent元年”，AI Agent作为生成式AI的高级形态，通过自主调用工具执行复杂任务，重构企业生产力。其技术架构整合大模型、工具及基础设施，具备自主性、规划与记忆能力等核心特征，已在办公自动化、客户服务、工业智能化、医疗辅助四大场景落地。全球市场高速增长，中国预计2027年规模超5000亿元。竞争格局呈现“上游集中、下游分散”，国际巨头领跑底层技术，国内厂商深耕
Meta提出的REFRAG框架针对RAG系统处理长上下文时的延迟高和内存贵问题，利用RAG的块对角注意力稀疏性，通过"压缩-感知-扩展"三步走方式，无需修改LLM结构即可实现高效解码。该框架采用课程学习和强化学习进行训练，实验结果显示可实现30倍TTFT加速和16倍上下文外推，在相同延迟预算下准确率提升1.22%(强检索)与1.93%(弱检索)，显著优于传统方法。
一文读懂 RAG 与 KAG：原理、工程落地与开源实战（含代码与链接）
本篇文章就让我们来看一下 LlamaIndex和Haystack 这两个框架，我简单的介绍一下架构设计，以及多框架集成和知识库动态管理实践，同时提供示例代码帮助你快速理解并上手做自己的小demo。
如何有效利用知识图谱提升问答系统的性能，尤其是在复杂问题的回答中？论文提出了一种新的知识增强检索-增强生成（KERAG）框架，该框架通过实质性的信息检索和推理来显著提高问答系统的准确率和可靠性。
本期新致软件AI技术沙龙，我们围绕上下文工程（Context Engineering）展开深入讨论，结合业内实践、实际业务场景和最新研究，共同探讨下一代智能体系统的技术走向。
