掌握RAG，就是握住了AI时代智能应用的核心竞争力！ 无论你是开发者、产品经理，还是AI探索者，理解RAG的奥秘，都能让你在AI浪潮中看得更清，走得更远。

别担心，今天我就来带你一步步在本地电脑上部署属于你自己的大模型！无需深厚的技术背景，只要跟着做，30分钟内就能搞定！

今天为大家介绍一个简单易用的RAG开源项目——MaxKB，这是一个功能强大且易于使用的企业级AI助手，它完美整合了RAG（检索增强生成）流水线，支持强大的工作流程，并提供先进的MCP工具使用能力。

众所周知，检索是检索增强生成 (RAG) 系统的核心。它直接决定哪些文档片段给到大语言模型（LLM）来生成最终答案。

今天为大家分享一款从RAG基础知识到高级实现的宝藏级开源指南——bRAG-langchain，帮你轻松跨越检索增强生成的学习门槛。我自己在学习过程中也通过这个项目也收获很多。

最近在使用jupyter notebook的过程中，总是对一个问题感到疑惑：当前的代码跑在哪个环境下啊？ 接下来我一步一步来记录下，我是如何确定的，大家一起讨论下吧。 首先我先创建一个虚拟环境 我创建

GitHub 上刷到个项目叫 RAGFlow，看名字就知道又是搞 RAG 的。但这个有点不一样： 它会把回答的依据截图给你看。

今天这篇教程，就针对我们工程人常用的场景，把RAGFlow（一款开源RAG引擎）的核心参数拆解得明明白白。

别急，今天就带你了解一种让AI“进修深造”的技术——微调（Fine-tuning），教你如何把一个大而全的通用AI，变成你所在领域的专业顾问！

有小伙伴私信说希望能展开说说如何做模型持续优化，为此临时加开一章，讲讲如何结合 brain-mix 项目的 Unsloth 微调报告进行训练结果分析。 补充：若不希望麻烦的也可以使用类似 WandB、

我们将看到一条演进路线：从优化单一动作（ReTool），到学习长程规划（RAGEN），再到提升思考质量本身（RStar2），最后到不依赖外部奖励更底层的经验内化方式（Early Experience）

本期我们将挑战文档处理领域的"终极 BOSS"—— pdf 格式。作为最复杂、最通用的文档格式，版面布局千变万化，文字提取难度极高。RAGFlow 为不同特性的 pdf 文档提供了针对性的解决方案。

何为RAG 检索增强生成（Retrieval Augmented Generation，简称 RAG）是一种先进的自然语言处理技术，旨在进一步提升大语言模型的输出质量和可靠性。该技术通过整合信息检索功

这两年开源 OCR 模型真是井喷：DeepSeek-OCR、olmOCR、dots.ocr……名字越来越多，教程也越来越花。但很多朋友踩过的坑大同小异：一到长文档、多页 PDF、复杂排版（页眉页脚、多

一、LLM 基本原理 1. Transformer 架构 Transformer 是当前大多数 LLM（如 GPT、Claude、Gemini）的核心架构。 核心机制包括： Self-Attentio

你有没有这种感觉？看了很多Transformer、LLM的文章，却总觉得云里雾里？今天我们来聊聊大型语言模型（LLM）中的一个核心概念——Token。 直到我彻底掌握了"Token"和"分词器"的概念

AI Agent（智能体）是近年来人工智能应用的重要突破之一，它让大型语言模型不仅能“对话”，还能“行动”——调用工具、规划任务、与环境交互，实现更复杂的自主智能系统。

深入解析 AI Agent 的 ReAct 架构和工作循环原理，探讨智能体如何实现自动化任务执行，从理论到实践的完整指南。

多模态RAG综述 简介:《Ask in Any Modality: A Comprehensive Survey on Multimodal Retrieval-AugmentedGeneration