its-my-go

摘要： 先后完成了RAG的部署、读取不同格式文件（docx、pdf、mp4等格式的文件）并讲读取的文件加工为nodes后存入向量数据库、智能体生成教案、生成ppt、根据RAG生成课上会用到的HTML5小游戏（为什么将选择题描述为小游戏？）。 阅读全文

摘要： LlamaIndex+RAG 1. 核心架构设计 要实现“互动-生成-反馈”的闭环，建议采用 Agentic RAG (智能体化RAG) 架构： 感知层 (Perception): 使用 LlamaIndex 的 SimpleDirectoryReader 处理多模态输入（PDF, Word, Im 阅读全文

摘要： 今日学习如何优化RAG应用提升回答准确度 1、文档准备阶段 对RAG应用来说，文档的质量可以说直接决定了整个RAG应用的质量。因此，我们需要针对文档进行持续的优化。比如引入专家验证，提升文档质量。跟踪用户反馈，不断调整文档内容。查漏补缺，同时定期剔除无关的或过时的内容，都是必要的措施。 2、文档解析 阅读全文

摘要： 今日学习RAG评估 RAG评估框架：Ragas 评估RAG应用回答质量 Ragas提供了AnswerCorrectness指标，用于评估RAG应用的整体回答质量。使用这个指标时，需要准备以下数据： question：输入给RAG应用的样本问题 groud_truth：样本问题的正确答案 answer 阅读全文

摘要： 今日任务：理清RAG工作流程、熟悉LlamaIndex主要组件 RAG（Retrieval Argument Generation）检索增强生成，在询问大模型时给大模型更多本地信息参考，提出针对性回答。 构建agent时除了与大预言模型的交互外还需要Memory与Tools。 Memory和Tool 阅读全文

摘要： LlamaIndex是目前最适合我们项目的RAG框架：“数据 → 节点 → 索引 → 检索器 → 查询引擎 → 应用” 大语言模型的客户端框架就是： 简化和大语言模型的交互 利用大语言模型快速处理复杂问题 我之前一直以为LangChain就是AI应用开发的“万能钥匙”。什么都能做——聊天机器人、Ag 阅读全文

摘要： Llamaindex基础学习： 对比了各家agent+RAG搭建我选择学习Llamaindex，数据增强生成框架，专注于“数据连接”和“检索”的深度优化，像“手术刀”，专攻RAG，而我们项目的核心需求是RAG，选“手术刀”更精准，弯路更少。其次llamaindex拥有海量的 “数据连接器” ，能处理 阅读全文

摘要： 今日完成了数列的学习，加上以前的学习现在的内容比较好理解；操作系统的学习上的困难还是没有解决，现在我决定从基础理论入手，换一个角度再次进行重复学习，如果没学会，那就不断去重复直到学会。 阅读全文

摘要： 今日完成了OS的3.1节的学习以及数列的夹逼准则的学习。我在学习基本分页存储管理时遇到了困难：我不清楚计算机的位数到底是个什么概念，它的位数在什么地方上体现，这也导致了我学习进度的滞后，我想现在应该沉下心来把这一部分的前置内容搞懂。 阅读全文

摘要： 搭房子-加5分 阅读全文