努力的小y同学

20

摘要：一、项目介绍 1、概述本项目基于 Neo4j 图数据库构建知识图谱与向量索引，实现了一个前沿的检索增强生成 RAG 系统，用于提升大语言模型在私有知识库问答场景中的准确性、逻辑推理能力与可控性项目核心流程包括：文档加载与清洗、实体与关系抽取（IE）、文本分块（Chunking）与向量化嵌入（Em 阅读全文

posted @ 2026-09-01 19:03 努力的小y同学阅读(8) 评论(0) 推荐(0)

19

摘要：一、LangChain 操作 Neo4j 1、课程目标理解 Neo4j 图数据库的节点、关系、属性模型掌握 LangChain 1.1.0 中连接 Neo4j 的基本方式使用 Neo4jGraph 执行 Cypher 增删改查使用大语言模型将自然语言转换为 Cypher 查询使用 Grap 阅读全文

posted @ 2026-09-01 19:03 努力的小y同学阅读(10) 评论(0) 推荐(0)

18

摘要：一、三元组抽取 1、课程目标理解知识图谱中的“三元组”概念掌握三元组与 Neo4j 图数据库之间的对应关系了解三元组抽取的基本流程能够从文本中识别实体、关系和属性能够将抽取结果转换为 Neo4j 可存储的数据结构能够使用 Cypher 语句创建和查询三元组数据 2、知识图谱与三元组概述阅读全文

posted @ 2026-09-01 19:03 努力的小y同学阅读(11) 评论(0) 推荐(0)

17

摘要：一、图数据库定义：图数据库是一种以“点（节点）”和“边（关系）”为基础的数据管理系统，既存储数据本身，也存储数据之间的关系。这样可以快速处理复杂的关联查询，并直观可视化数据关系特点：属于非关系型数据库，结构与传统关系型数据库不同数据的关联信息被直接存储，查询关系更高效可以为关系添加标签、方阅读全文

posted @ 2026-09-01 19:03 努力的小y同学阅读(7) 评论(0) 推荐(0)

16

摘要：一、混合检索-BM25检索+向量检索 1、为什么需要混合检索在前面的课程中，我们简要介绍了检索器的三种方式：稠密向量检索（语义匹配）、稀疏向量检索/BM25（关键词匹配）以及混合检索（两者结合）。本讲将对这一话题进行深度展开我们已经掌握了纯向量检索的实战方法。那么问题来了：既然向量检索已经这么强阅读全文

posted @ 2026-09-01 19:03 努力的小y同学阅读(5) 评论(0) 推荐(0)

15

摘要：一、项目介绍 1、概述本项目基于 ChromaDB 构建向量数据库，实现一个完整的检索增强生成（RAG, Retrieval-Augmented Generation）系统，用于提升大语言模型在私有知识库问答场景中的准确性与可控性项目核心流程包括：文档加载与清洗、文本分块（Chunking）、向阅读全文

posted @ 2026-09-01 19:03 努力的小y同学阅读(9) 评论(0) 推荐(0)

14

摘要：参考对应的课件阅读全文

posted @ 2026-09-01 19:03 努力的小y同学阅读(3) 评论(0) 推荐(0)

13

摘要：一、多轮对话 1、概念多轮对话（Multi-turn Dialogue）指的是系统与用户之间进行连续的问答互动，每一轮都可能依赖之前的对话内容换句话说，它不仅处理当前用户输入，还要理解上下文，以生成更连贯、有针对性的回答例如：用户问："今天天气怎么样？" 助手答："晴天，28℃。" 用户阅读全文

posted @ 2026-09-01 19:03 努力的小y同学阅读(8) 评论(0) 推荐(0)

12

摘要：一、Langchain操作ChromaDB 1、概述在本项目中，使用 LangChain 作为 RAG 框架核心编排工具，对接 ChromaDB 实现向量检索能力，构建端端的检索增强生成（RAG）流程具体实现上，通过 LangChain 的 DocumentLoader 模块完成多源数据（PDF 阅读全文

posted @ 2026-09-01 19:03 努力的小y同学阅读(9) 评论(0) 推荐(0)

11

摘要：一、RAGas评估框架 1、简介 RAG Assessment（Retrieval-Augmented Generation Assessment）：用于系统性评估 RAG 系统的整体性能，覆盖两个核心维度：检索能力（Retrieval Capability）衡量系统从知识库或文档中检索相关信息阅读全文

posted @ 2026-09-01 19:03 努力的小y同学阅读(8) 评论(0) 推荐(0)

导航

2026年9月1日