跳到主要内容

9篇带“RAG”标签的文章

查看所有标签

·5分钟阅读
Yingfeng Zhang

RAGFlow 2024年度的最终版本 v0.15.0 已发布，带来了以下重要更新：

Agent 改进​

此版本对 Agent 进行了多项增强，包括额外的 API、分步运行调试以及导入/导出功能。自 v0.13.0 版本以来，RAGFlow 的 Agent 结构已进行调整以提高可用性。分步运行调试功能最终完善了这一过程，允许 Agent 工作流中的操作符独立执行，从而帮助用户根据输出信息进行调试。

·9分钟阅读
Yingfeng Zhang

Infinity 是一个专门为检索增强生成（RAG）设计的数据库，在功能和性能上均表现出色。它为密集和稀疏向量搜索以及全文搜索提供了高性能能力，并为这些数据类型提供了高效的范围过滤。此外，它还具有基于张量的重排序功能，能够实现强大的多模态 RAG 并集成与 Cross Encoders 相当的排序能力。

·5分钟阅读
Yingfeng Zhang

RAGFlow 响应社区需求，引入了 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 组件一起使用时会显著增加部署和维护成本。RAGFlow 基于 RAG 的 Text2SQL 利用现有（已连接）的大型语言模型（LLM），无需额外的微调模型即可与其他的 RAG/Agent 组件无缝集成。

·6分钟阅读
Yingfeng Zhang

RAGFlow v0.9 引入了对 GraphRAG 的支持，该技术最近由微软开源，据称是下一代检索增强生成（RAG）。在 RAGFlow 框架内，我们对 RAG 2.0 有更全面的定义。这个提出的端到端系统以搜索为中心，包含四个阶段。后两个阶段——索引和检索——主要需要一个专用的数据库，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中的主要挑战之一，很少有商业产品能够有效地进行搜索。在大型语言模型（LLMs）兴起之前，强大的搜索能力并不被认为是必需的，因为它并没有直接提升用户体验。然而，随着 LLMs 开始普及，将 LLMs 应用于企业环境需要一个强大的内置检索系统。这也被称为检索增强生成（RAG）——在将用户查询最相关的内容提供给 LLM 生成最终答案之前，先搜索内部知识库。

·7分钟阅读
Yingfeng Zhang

从 v0.8 版本开始，RAGFlow 正式进入 Agent 时代，在后端提供了一个全面的基于图的任务编排框架，并在前端提供了一个无代码工作流编辑器。为什么选择 Agent 方式？这个功能与现有的工作流编排系统有何不同？

·6分钟阅读
Yingfeng Zhang

一个朴素的 RAG 系统的工作流程可以总结如下：RAG 系统使用用户查询从指定的数据源进行检索，对检索结果进行重排序，附加提示词，然后将它们发送给 LLM 以生成最终答案。

在用户意图明确的场景下，朴素 RAG 就足够了，因为答案包含在检索结果中，可以直接发送给 LLM。然而，在大多数情况下，模糊的用户意图是常态，需要迭代查询来生成最终答案。例如，涉及总结多个文档的问题需要多步骤推理。这些场景需要 Agentic RAG，它在问答过程中涉及任务编排机制。

Agent 和 RAG 相辅相成。Agentic RAG，顾名思义，是一种基于 Agent 的 RAG。Agentic RAG 与朴素 RAG 的主要区别在于，Agentic RAG 引入了一种动态的 Agent 编排机制，该机制对检索结果进行评估，根据每个用户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。