2025年6月25日
基础RAG实现，最佳入门选择（十一）
摘要： RAG中的反馈循环 实现一个带有反馈循环机制的RAG系统，该机制随着时间的推移不断改进。通过收集和整合用户反馈，系统学会了在每次交互中提供更相关和更高质量的响应。传统的RAG系统是静态的——它们仅基于嵌入相似性来检索信息。通过反馈循环，创建了一个动态系统： -记住什么有效（什么无效） -随着时间的推 阅读全文
posted @ 2025-06-25 18:02 舒一笑不秃头 阅读(15) 评论(0) 推荐(0)
基础RAG实现，最佳入门选择（十）
摘要： RAG系统的上下文压缩 一种上下文压缩技术来提高我们RAG系统的效率。将过滤和压缩检索到的文本块，以仅保留最相关的部分，减少噪音并提高响应质量。 在为RAG检索文档时，经常会得到包含相关和不相关信息的块。上下文压缩帮助我们： -删除不相关的句子和段落 -只关注与查询相关的信息 -最大化我们上下文窗口 阅读全文
posted @ 2025-06-25 17:29 舒一笑不秃头 阅读(14) 评论(0) 推荐(0)
基础RAG实现，最佳入门选择（九）
摘要： 基础RAG实现，最佳入门选择（九） RAG的相关段提取（RSE） 相关段提取（RSE）技术来提高RAG系统中的上下文质量。不是简单地检索孤立块的集合，而是识别和重建连续的文本段，为我们的语言模型提供更好的上下文。 关键概念 相关的块往往在文档中聚集在一起。通过识别这些集群并保持它们的连续性，我们为LLM提供了更连贯的上下文来使用。 在 阅读全文
posted @ 2025-06-25 16:57 舒一笑不秃头 阅读(33) 评论(0) 推荐(0)