shuyixiao

摘要： 写在前面 安装这个插件可以直接平替 Jenkinsfile Pro ，节省200元 关于插件介绍的处女篇：https://mp.weixin.qq.com/s/fwMEhmx8vxVlvfnipx09Ag 为什么叫「熊猫编码助手」？ 熊猫是中国的国宝，备受世界喜爱，代表着中国特色和亲和力。同样，这个 阅读全文

摘要： 自适应检索助力增强型RAG系统 实现一个自适应检索系统，该系统可根据查询类型动态选择最合适的检索策略。这种方法显著提升RAG系统针对各种不同问题提供准确且相关回复的能力。 不同的问题需要不同的检索策略： 对查询类型进行分类（事实型、分析型、观点型或上下文型） 选择合适的检索策略 执行专门的检索技术 阅读全文

摘要： 现流行AI工作流引擎技术方案与实现方式调研 n8n 前端技术栈 核心流程图库：Vue Flow 图形布局引擎：Dagre 拖拽功能：Vuedraggable n8n 的流程图绘制技术栈是： Vue Flow（核心） + Dagre（布局） + Vuedraggable（拖拽） + Vue 3 Com 阅读全文

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

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

摘要： 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

摘要： 什么是 Webhook？ Webhook 是一种事件驱动的轻量级通信，可通过 HTTP 在应用之间自动发送数据。Webhook 由特定事件触发，可自动实现 应用编程接口（API）之间的通信，并可用于激活工作流，例如在 GitOps 环境中。 Webhook 可以将事件源连接到自动化解决方案，因此，它 阅读全文

摘要： RAG重排序 RAG重排序技术以提高RAG系统中的检索质量。重新排序充当初始检索后的第二个过滤步骤，以确保最相关的内容用于响应生成。 重排序的关键概念 1.初始检索：使用基本相似度搜索的第一遍（准确度较低但速度更快） 2.文档评分：评估每个检索到的文档与查询的相关性 3.重新排序：按相关性分数对文档 阅读全文

摘要： 本文介绍了一种增强型RAG系统，采用三种查询转换技术提升检索性能：1）查询重写技术使查询更加具体详细；2）退步提示生成更宽泛的背景性问题；3）子查询分解将复杂问题拆解为简单子问题。文章详细展示了各技术的Python实现代码，包括查询重写函数rewrite_query、退步提示函数generate_step_back_query和子查询分解函数decompose_query。同时介绍了PDF文本处理流程，包括文本提取函数extract_text_from_pdf和分块函数chunk_text，最后通过create_embeddings函数生成文本向量。这些方法无需依赖LangChain等专门库即可实现检索性能提升。 阅读全文

摘要： 带有问题生成的文档增强RAG 通过问题生成使用文档增强来实现增强的RAG方法。通过为每个文本块生成相关问题，改进了检索过程，从而从语言模型中获得更好的响应。 具体实现步骤 1.数据摄取：从PDF文件中提取文本。 2.chunking：将文本拆分为可管理的块。 3.问题生成：为每个块生成相关问题。 4 阅读全文