跳转到主内容

10 篇带有 “RAG” 标签的文章

查看所有标签

·13 分钟阅读
Yingfeng Zhang

距离我们上一次的年终回顾已经过去了六个月。随着年初 DeepSeek 引发的兴奋浪潮逐渐消退，人工智能似乎进入了一个停滞期。这种模式在检索增强生成（RAG）领域同样明显：尽管关于 RAG 的学术论文层出不穷，但近几个月来重大突破寥寥无几。同样，RAGFlow 近期的迭代也主要集中在增量改进上，而非发布重大新功能。这究竟是未来飞跃的序曲，还是稳步增长时期的开始？因此，进行一次年中评估是及时且必要的。

·阅读时间 5 分钟
Yingfeng Zhang

RAGFlow 2024 年的最终版本 v0.15.0 刚刚发布，带来了以下关键更新

智能体（Agent）改进​

此版本对 Agent 进行了多项增强，包括增加了 API、支持单步运行调试以及导入/导出功能。自 v0.13.0 版本以来，我们对 RAGFlow 的 Agent 进行了重构，以提高其易用性。此次新增的单步运行调试功能完善了这一过程，使得 Agent 工作流中的算子可以单独执行，从而帮助用户根据输出信息进行调试。

·阅读时间 9 分钟
Yingfeng Zhang

Infinity 是一款专为检索增强生成（RAG）设计的数据库，在功能和性能上都表现出色。它为密集和稀疏向量搜索以及全文检索提供高性能支持，并能对这些数据类型进行高效的范围过滤。此外，它还具备基于张量的重排能力，能够实现强大的多模态 RAG，并集成了与交叉编码器（Cross Encoders）相媲美的排序功能。

·阅读时间 5 分钟
Yingfeng Zhang

RAGFlow 响应社区需求，推出了 Text2SQL 功能。传统的 Text2SQL 需要对模型进行微调，这在企业环境中与 RAG 或 Agent 组件一同使用时，会显著增加部署和维护成本。RAGFlow 基于 RAG 的 Text2SQL 利用了现有的（已连接的）大语言模型（LLM），无需额外的微调模型，即可与其他 RAG/Agent 组件无缝集成。

·阅读时间 6 分钟
Yingfeng Zhang

RAGFlow v0.9 版本引入了对 GraphRAG 的支持。GraphRAG 最近由微软开源，据称是下一代检索增强生成（RAG）技术。在 RAGFlow 框架内，我们对 RAG 2.0 有一个更全面的定义。这个拟议的端到端系统以搜索为中心，由四个阶段组成。后两个阶段——索引和检索——主要需要一个专门的数据库，而前两个阶段定义如下：

·8 分钟阅读
Yingfeng Zhang

搜索技术仍然是计算机科学领域的主要挑战之一，鲜有商业产品能够实现有效的搜索。在大语言模型（LLM）崛起之前，强大的搜索能力并未被视为必不可少，因为它并不能直接提升用户体验。然而，随着大语言模型日益普及，要将 LLM 应用于企业场景，就必须配备一个强大的内置检索系统。这也就是所谓的检索增强生成（RAG）——在将内容送入 LLM 生成最终答案之前，先在内部知识库中搜索与用户查询最相关的内容。

·7 分钟阅读
Yingfeng Zhang

自 v0.8 版本起，RAGFlow 正式进入 Agentic 时代，后端提供了全面的基于图的任务编排框架，前端则提供了无代码的工作流编辑器。为什么要引入 Agentic？这个功能与现有的工作流编排系统有何不同？

·阅读时间 6 分钟
Yingfeng Zhang

一个朴素 RAG 系统的工作流程可以概括如下：RAG 系统使用用户查询从指定的数据源中进行检索，对检索结果进行重新排序，附加提示词，然后将它们发送给大语言模型（LLM）以生成最终答案。

当用户意图明确时，一个简单的 RAG 就足够了，因为答案包含在检索到的结果中，可以直接发送给 LLM。然而，在大多数情况下，用户意图模糊是常态，需要通过迭代查询才能生成最终答案。例如，涉及总结多份文档的问题就需要多步推理。这些场景需要 Agentic RAG，它在问答过程中引入了任务编排机制。

Agent 和 RAG 相辅相成。Agentic RAG，顾名思义，是基于 Agent 的 RAG。Agentic RAG 与简单 RAG 的主要区别在于，Agentic RAG 引入了动态的 Agent 编排机制，该机制能够评判检索结果、根据用户每次查询的意图重写查询，并采用“多跳”推理来处理复杂的问答任务。